粗糙集的粒度近似精度

自PaWlak提出粗糙集概念以来,人们一直对粗糙集的近似精度很有兴趣,出现了不少有关近似精度的文献.本文提出了粗糙集的粒度近似精度,讨论了粒度近似精度的性质,并与Pawlak近似精度和基于等价关系图过剩熵的近似精度进行了比较比较发现粒度近似精度更具合理性.

单向S-粗集近似精度函数和依赖特性

利用单向S-粗集的动态特性和Pawlak粗集近似精度,提出了单向S-粗集的近似精度和它生成的近似精度函数,讨论并且得到了近似精度函数的数值特性与元素迁移的关系,近似精度和近似精度函数数值特性与属性的依赖之间的关系.

近似精度Rough数及其在DSS中的应用

本文在介绍Ｒｏｕｇｈ集基础上，用Ｒｏｕｇｈ下和上近似集定义了近似精度Ｒｏｕｇｈ数及其运算法则。并举例说明了这种新构想的Ｒｏｕｇｈ数被应用于ＤＳＳ（决策支持系统）中颇有新意。最后，阐述了近似精度μ将使Ｒｏｕｇｈ逻辑的五值被扩充为多值。

基于近似精度递归计算的一个属性约简算法

首先分析粗糙集中不同正区域之间的关系 ,在此基础上推导出近似精度计算的一个简洁的递归公式 .在Jelonek属性约简算法[3 ] 的基础上 ,应用上述递归公式和独立性条件判别策略设计了一个改进的属性约简算法 ,与原算法相比 ,不仅在算法速度提高方面取得了明显的效果 ,而且保证了约简算法的正确性 .

粗糙集理论中近似空间的精细及近似精度

讨论了近似空间的精细与粗糙的概念及其两个等价描述,研究了给定集合的上下近似集在精细与粗糙近似空间中的性质,即随着近似空间的加细,给定集合X的最佳下近似单调上升、最佳上近似单调下降.还讨论了近似精度问题,指出Pawlak近似精度的一个不合理现象,并且新定义了一种近似精度.

P-二重粗积分与函数双向S-粗集的近似精度

以函数双向S-粗集的上、下近似生成的函数为基础,提出P-粗区域和P-二重粗积分的概念,并讨论其性质,指出P-二重粗积分是F-二重粗积分、F二重粗积分和普通二重积分的推广。在P-二重粗积分的基础上,提出函数双向S-粗集的近似精度与近似粗糙度的概念,得出函数双向S-粗集可分辨定理。

粗集近似精度及其粒度特征

Pawlak近似精度是衡量粗集近似程度的重要指数[1],针对Pawlak近似精度没有考虑近似空间的颗粒结构,在此利用粒度的概念定义了具有颗粒结构的近似精度,讨论了该近似精度的粒度特征.

一种基于邻域近似精度的离群点检测方法

针对混合属性离群点检测问题,提出基于邻域近似精度的混合属性离群点检测方法。首先,定义异构邻域关系度量来表示混合数据之间的近邻性。然后,定义一种特定的邻域近似精度来构建邻域粒离群度。进而,定义基于邻域近似精度的离群因子及提出基于邻域近似精度的离群点检测(Nighborhood approximation accuracy-based outlier detection,NAAOD)。最后,用UCI数据集对NAAOD算法的有效性进行了验证。理论研究和实验结果均表明,NAAOD算法对混合属性离群点检测是有效的。

我校在利用代理模型提高黑箱问题近似精度方面取得重要进展

许昌学院电气与机械工程学院李耀辉博士课题组针对目前Kriging代理模型存在的建模效率低、近似精度不高等瓶颈问题,提出了一种具有双重采样准则的自适应Kriging方法,并在工程设计领域中用于近似昂贵的黑箱问题。该方法在每次迭代过程中,首先,利用Kriging模型的预测参数估计建立了曲率加点采样准则和方差加点采样准则;其次,利用经典的信任区域策略对这两个准则进行最大化寻优,以产生两个具有较大潜力或前景的备用候选点;再次,采用了一种新的筛选方法从两个备用候选对象中确定最终的昂贵估值点;最后,将该方法与两种典型的Kriging建模方法进行了深度比较,十七个基准函数的比较结果验证了所提方法能够生成更高精度的Kriging模型。

容差粗糙集的结构化近似

将结构化技术用于容差粗糙集模型,提出结构化容差粗糙集模型,并借助φ算子对该模型进行刻画,研究其相关性质。由于结构化容差粗糙集的上、下近似是以容差类为元素的多重集,因而有效保地留对象间的结构信息。最后,对该模型的不精确性和不完备性的刻画进行讨论。

粗糙集中正区域和近似精度的递归计算及应用

本文分析粗糙集中不同正区域之间的定量关系,给出正区域和近似精度计算的一个简洁的递归公式.在一类扩展型属性约简算法中(如Hu算法,Jelonek算法等),应用该递归公式来完成大量的正区域或近似精度以及与之相关的属性重要性的计算,可以较大幅度地减少计算量,提高属性约简算法的速度.

基于知识粒化的粗糙集近似精度的泛化改进

精度是表征粗糙集概念精确性的基本度量,但具有关于知识粒化的信息缺失与量化局限.近似精度引入知识粒度进行改进.归纳分析现有五种近似精度,探讨基于知识粒化的近似精度的泛化原则与改进建模.基于实例分析,确立近似精度的"单调、一致、无关、下界"四项改进准则,验证已有近似精度的满足性;挖掘近似精度的"逼近、单调"两项量化优化,融合概念精度与知识粒度建立近似精度的泛化含参模型;提出一种改进近似精度,揭示其准则满足性与优化应用性,并用知识实例与数据实验进行有效验证.所得结果提供了近似精度的泛化构造框架与具体改进模型.

变精度上近似与程度下近似粗糙集模型的正域及其算法

针对变精度近似与程度近似的结合问题及正域的核心地位,组建了变精度上近似与程度下近似粗糙集模型,并定义了其中的正域概念。研究了模型正域与精度量化指标和程度量化指标关联的内涵及意义,得到了模型正域的精确刻画与性质。为了计算模型正域,提出了自然算法与原子算法,并进行了算法分析与算法比较,得到了自然算法与原子算法具有相同的时间复杂性,而原子算法却具有更优的空间复杂性的结论。最后用一个医疗实例对模型正域及其算法进行了分析与说明。变精度上近似与程度下近似粗糙集模型的正域,从膨胀的优势方向完全扩展了经典粗糙集模型的正域,对与精度参数和程度参数相关的必然性知识发现具有意义。

一般关系粗糙集的近似分类精度和质量

由等价关系R所决定的近似空间(U,R)上,近似分类精度指出了可能的决策中正确决策所占的百分比,近似分类质量则表明了应用知识R能确切地划入已知分类的对象的百分比。将近似分类精度和分类质量的概念推广到一般(二元)关系所决定的广义近似空间上。通过引入独立集概念,给出了度量公式,最后通过实例验证了其合理性。

双论域粗糙集的近似分类精度度量

由等价关系R所决定的近似空间(U,R)上,可用近似分类精度来表示可能的决策中正确决策的百分比。将近似分类精度概念推广到一般关系双论域粗糙集的近似空间上。通过引入独立集概念,给出了度量公式,最后通过实例验证了其合理性。

怎样求IRR的高精度近似值?

本文论述了内部收益率IRR高精度近似值计算的必要性和常规计算的不精确性 ,从内部收益率插值公式入手 ,通过电子计算器 ,经过几个循环计算 ,便可得到精度为小数点 10位的近似值。

近似边界精度信息熵的属性约简

针对信息观只考虑知识粒度的大小,不能客观、全面度量属性重要性的不足,首先从代数观出发,提出近似边界精度的定义;其次,根据相对模糊熵的定义,提出相对信息熵及增强信息熵概念,与相对模糊熵相比具有明显的放大作用;再次,将近似边界精度融合相对信息熵和增强信息熵,提出两种新的属性约简方法,在求U/(B∪b)时充分利用U/B的结果,可大大减少系统的时间开销;最后,通过实验分析和比较,本文算法在约简质量、分类精度上的可行性和有效性得到了验证.

基于相容关系的变精度多粒度粗糙集模型

在含有缺失数据的不完备信息系统中,将变精度粗糙集模型和多粒度粗糙集模型融合,得到基于相容关系的变精度多粒度粗糙集模型,该模型是不完备系统中变精度粗糙集模型和多粒度粗糙集模型的泛化.变精度多粒度粗糙集比经典多粒度粗糙集具有更高的近似精度.

基于空间分解的参数优化径向基函数近似模型构造方法

为了进一步提高径向基函数(RBF)近似模型的精度,对其近似精度影响因素进行了深入研究。深入分析了计算机舍入误差对RBF近似精度的影响,指出矩阵条件数和形状参数同为影响RBF模型近似精度的两个重要因素。结合灵敏度分析对设计空间进行了分解,改善了矩阵条件数,增加了设计自由度,在传统基于形状参数优化的RBF近似模型的基础上,提出了基于空间分解的参数优化RBF近似模型构造方法。数值实验结果表明,在两个测试算例中,所提方法较传统基于形状参数优化的RBF近似模型构造方法的均方根误差(RMSE)分别减小了51.3%、58.0%,具有更高的近似精度。

模糊近似空间中模糊粗糙集的新定义

研究了模糊近似空间上的模糊粗糙集,给出了模糊粗糙集的又一定义,讨论了该定义下模糊粗糙集所满足的性质,从理论上说明了该定义的合理性,同时还论证了该定义下模糊粗糙集的近似精度.