基于合理粒度的局部邻域决策粗糙计算方法

信息粒度和近似方法是粗糙集理论进行数据描述的两个关键.现实中数据分布情况复杂多变,现有的模型缺乏对不同数据区域进行区分的能力,且易受到异常数据的干扰,导致最终分类决策的失误.为此提出基于合理粒度的局部邻域决策粗糙集模型.首先,根据邻域中对象的个数和类别识别一些极端情况(例如离群点和标签噪声点),分别给出不同分布情况下数据点的粗糙隶属度;其次,为已识别的标签噪声数据提供一组伪标记,用伪标记对原始标签进行修正;最后引入合理粒度准则,构造由信息覆盖性函数和特殊性函数融合的新的评估标准,并通过粒子群优化算法对其进行优化,得到最佳邻域半径.实验结果表明,该方法为复杂数据处理提供了一种有效的解决方案.

一种改进的局部多粒度决策理论粗糙集模型

局部多粒度决策理论粗糙集要预先获取给定数据集中所有对象的信息颗粒,只需要对特定的目标概念中的对象的信息颗粒进行计算,开创了一种有用的计算范式。然而,传统的局部多粒度决策理论粗糙集在计算三个区域(正域,边界域和负域)时需要主观的给定一对概率阈值(α,β)。在实际的决策应用中,该获取阈值的方法可能会造成信息丢失或判断不准确的问题。为了解决这个问题,这篇文章提出了一种改进的局部多粒度决策理论粗糙集模型,叫做广义的局部多粒度决策理论粗糙集。该模型可以通过一个补偿系数ζ,即可自适应的获得相对应的参数α和β.这不仅减少了人为设置参数的个数,还强化了由多个粒度结构所产生损失的语义解释。

不完备序信息系统下的局部双量化决策粗糙集研究

针对不完备序信息系统,在双量化粗糙集和局部决策粗糙集的基础上,构建了2种局部双量化决策粗糙集(local double relative quantitative decision-theoretic rough set, LDrq-DTRS)模型,探讨了它们的正域、负域、边界域之间的包含关系,以及它们与局部粗糙集之间的内在联系。最后,通过数据实验比较验证了在不同模型参数关系下以上模型间的相关性质。