概率粗糙集模型

1.引言 原始的RS模型(常称为Pawlak RS模型)[1,2]是建立在二元等价关系的基础上的,但由于实际问题的需要,PawlakRS模型的应用受到了限制,因此人们将二元等价关系推广成一般的二元关系,得到了一般关系下的RS模型[3],Yao还在文[4]中讨论了基于邻域算子的RS模型.另一方面Pawlak粗糙集模型是基于可利用信息的完全性的,因而忽视了可利用信息的不完全性和可能存在的统计和随机信息,这类模型对于不协调的决策表的规则提取往往显得无能为力.本文我们从概率论的观点出发来研究粗糙集理论,为研究不确定信息系统提供了新的粗糙集模型.

Bayes决策的概率型粗糙集模型

本文讨论了概率型粗糙集模型与 Bayes决策方法的联系 ,建立了 Bayes决策方法的概率型粗糙集模型 ,实现了粗糙集理论应用于

一般关系下的概率粗糙集模型

针对经典的概率粗糙集模型的不足,通过引入一般关系下的后继邻域算子,得到了一般关系下的概率粗糙集模型,并讨论了所给模型的一些性质和在广义近似空间中集合的近似精度及属性约简。

模糊关系下的概率粗糙集模型及其Bayes决策

经典的概率粗糙集模型是基于论域上的等价关系而建立的,然而在实际应用中,等价关系很难得到。因此,经典的概率粗糙集模型被推广到基于一般二元关系的概率粗糙集模型。更进一步地,还可以推广到模糊二元关系。建立了基于模糊关系的概率粗糙集模型,推广了前人的工作,同时给出了该模型下的Bayes决策方法和应用实例。

粗糙集模型和概率粗糙集模型的若干研究

主要叙述在等价关系、一般关系和概率论中的粗糙集模型,给出它们的定义、性质、各自的几种定义类型和它们之间的联系以及若干例子.

优势关系下的二粒度双极值粗糙模型

讨论了优势关系下的双极值信息系统以及在多属性决策上应用。通过定义属性对象x_i优于x_j的概率,建立α-优势关系的概率粗糙模型,并依据粒计算理论和属性类别,将单粒度推广到二粒度下的粗糙集,定义了二粒度下优势度公式,再通过集成得到综合优势度,通过比较大小值确定最优决策。

基于包含度的粗糙集模型的推广

在文献[1]的基础上,给出了三个新的基于包含度的粗糙集模型。并指出这些基于包含度的粗糙集模型分别是相应的概率粗糙集模型的推广形式。最后举例讨论了所给模型的一些性质。

几种粗糙集模型的推广研究

通过在经典粗糙集模型中引入函数,得到了一个广义的变精度粗糙集模型和一个广义的概率粗糙集模型。将这两个广义的模型进行比较研究,又得到了一个更广义的粗糙集模型,这个模型既是变精度粗糙集模型的推广也是概率粗糙集模型的推广,对推广模型的性质做了相应的研究。

不完备信息系统中多粒度概率粗糙集的规则提取

本文基于不完备多粒度信息系统,主要讨论了概率粗糙集的上下近似和精度的变化,以及基于优劣关系的规则提取。首先,对不完备信息系统中多粒度粗糙集关于乐观(悲观)的上下近似进行了简单的介绍。其次,基于相似关系优势关系和劣势关系,对不完备信息系统中的多粒度概率粗糙集从乐观(悲观)的角度对其上下近似进行了讨论,得出了近似精度随α, β的变化而变化的规律。最后,讨论了基于优劣关系随参数γ变化的概率粗糙集的规则提取。

一种基于粗糙集的新的数据预处理算法

数据预处理在数据挖掘项目中有着举足轻重的作用,是数据挖掘整个过程的关键步骤之一。论文根据粗糙集概率模型应用于数据挖掘的特点,提出了一种用于数据预处理的基于信息归纳的概率粗糙集算法SRII;实验证明,SRII结合算法C4.5应用于数据挖掘具有良好的效率与显著改进的挖掘结果。

基于粗糙集的生产环境数据挖掘系统方法

针对粗糙集确定性模型缺乏处理不确定信息的特点,Z.Pawlak等提出了粗糙集的概率模型.但该模型没有包括如何处理生产数据集纷繁复杂数据的方法.因此提出了应用粗糙集于生产环境数据挖掘的一种系统方法,并应用UCI的数据集对该方法进行了检验.实验结果体现了它的性能与有效性.