Multi-Granularity Neighborhood Fuzzy Rough Set Model on Two Universes

The two universes multi-granularity fuzzy rough set model is an effective tool for handling uncertainty problems between two domains with the help of binary fuzzy relations. This article applies the idea of neighborhood rough sets to two universes multi-granularity fuzzy rough sets, and discusses the two-universes multi-granularity neighborhood fuzzy rough set model. Firstly, the upper and lower approximation operators are defined in the two universes multi-granularity neighborhood fuzzy rough set model. Secondly, the properties of the upper and lower approximation operators are discussed. Finally, the properties of the two universes multi-granularity neighborhood fuzzy rough set model are verified through case studies.

Extension of Rough Set on Granular Structures and Axiomatic Characterizations

In granular computing granular structures represent knowledge on universe,in this paper several important granular structures are considered.In a general granular structure the notions of interior point, accumulation point and boundary point etc are proposed,by use of these notions and referring to topological method,the lower and upper approximations of a subset of universe are defined such that they are one kind of generalization of the existing approximations based on some special granular structure.Basic properties of new rough set approximations are investigated.Furthermore,granular structures on universe are characterized by the lower and upper approximation operators.

Granularity of Knowledge Computed by Genetic Algorithms Based on Rough Sets Theory

Rough set philosophy hinges on the granularity of data, which is used to build all its basic concepts, like approximations, dependencies, reduction etc. Genetic Algorithms provides a general frame to optimize problem solution of complex system without depending on the domain of problem.It is robust to many kinds of problems.The paper combines Genetic Algorithms and rough sets theory to compute granular of knowledge through an example of information table. The combination enable us to compute granular of knowledge effectively.It is also useful for computer auto-computing and information processing.

F-粗糙集的拓展与应用

F-粗糙集是第1个动态粗糙集模型,具有良好的兼容性、表达能力以及动态性,但绝大多数粗糙集模型动态性不足.为了明晰粗糙集模型的动态性,拓展F-粗糙集的应用,综述了F-粗糙集研究的现状和发展,证明了多粒度粗糙集、多粒度邻域粗糙集和多尺度信息系统中的粗糙集可以用F-粗糙集表示.此外,还研究了F-粗糙集的可拓性,并建议将其他粗糙集模型与F-粗糙集相结合,使它们在处理动态数据、增量数据和海量数据时具有更强的能力.研究结果将提高其他粗糙集模型的动态性,有利于粗糙集进一步应用到大数据领域.

广义多尺度决策表最优尺度选择的快速算法

广义多尺度决策表的条件属性和决策属性都具有多个尺度.最优尺度能够将较粗的条件属性与较细的决策属性相结合,达到效率与精度的平衡.然而现有的最优尺度选择算法计算效率较低.为此,提出一种最优尺度选择的快速算法.首先探讨最优尺度的一些性质和边界域的变化情况,给出判断边界域是否相等的条件以及最优尺度的等价定义;然后一种快速算法.最后通过数值实验表明其相较于现有算法速度更快,能有效解决最优尺度选择问题,该算法在计算效率方面取得了显著的提升,实现了在较短的时间内得出最佳结果的目标.

广义多粒度双量化邻域粗糙集

针对实数型数据的信息量化问题,引入相对概念和绝对基数构建了广义多粒度双量化邻域粗糙集模型.首先,通过I型和II型广义多粒度上、下邻域特征支撑函数构建两类广义多粒度上、下邻域近似算子并讨论其性质;其次,讨论了两种广义多粒度邻域粗糙集的关系;最后,通过传染病案例实证分析了模型的实用性和有效性.

基于异类粒球分离度的自适应属性约简

属性约简是处理大规模数据集的关键步骤,与传统的邻域粗糙集(NRS)相比,粒球邻域粗糙集(GBNRS)可以显著提高属性约简的性能.然而,目前GBNRS属性约简算法生成了太多不必要的粒球;从而极大降低了算法运行效率.文章首先定义了一种新的粒球质量指标来控制生成自适应数量的粒球;然后通过粒球对样本集进行划分,将不同类别的样本点放入不同类别的粒球;最后根据不同属性集合下粒球中正域样本的数量来进行前向属性约简.为了验证算法的有效性,在12个真实数据集上将提出的算法与其他NRS属性约简算法进行了对比实验.实验结果表明,所提出的算法有更高的精度和更快的运行效率.

基于Spark和NRSCA策略的并行深度森林算法

针对并行深度森林在大数据环境下存在冗余及无关特征过多、两端特征利用率过低、模型收敛速度慢以及级联森林并行效率低等问题,提出了基于Spark和NRSCA策略的并行深度森林算法——PDF-SNRSCA。首先,该算法提出了基于邻域粗糙集和Fisher score的特征选择策略(FS-NRS),通过衡量特征的相关性和冗余度,对特征进行过滤,有效减少了冗余及无关特征的数量;其次,提出了一种随机选择和等距提取的扫描策略(S-RSEE),保证了所有特征能够同概率被利用,解决了多粒度扫描两端特征利用率低的问题;最后,结合Spark框架,实现级联森林并行化训练,提出了基于重要性指数的特征筛选机制(FFM-II),筛选出非关键性特征,平衡增强类向量与原始类向量维度,从而加快模型收敛速度,同时设计了基于SCA的任务调度机制(TSM-SCA),将任务重新分配,保证集群负载均衡,解决了级联森林并行效率低的问题。实验表明,PDF-SNRSCA算法能有效提高深度森林的分类效果,且对深度森林并行化训练的效率也有大幅提升。

粒度模糊规则建模方法研究综述

本文旨在梳理粒度模糊规则模型中的主要研究及构建方法,并且进行系统分析与总结。粒计算是一种能模拟人类思维方式和求解复杂问题的新兴理论体系,以此为基础的粒度模型为复杂非线性系统的描述和问题求解探索了新的方向。粒度模糊规则模型将信息粒融入现有的模糊规则建模方法中,进行粒度级别的系统建模,以实现更高层次的数据分析与推理。本文简要介绍模糊聚类和模糊规则模型的基础知识;归纳了信息粒的构建方法,并讨论了相应的评估方法;总结了典型的粒度模糊规则模型的设计架构和优化方法。

基于代数粒的聚类方法

聚类,是机器学习的主要任务之一,也是粒计算理论的核心任务,即信息粒化。目前,基于粒计算的聚类算法中,大多数只基于粒属性进行聚类,而没有考虑粒结构,尤其是在代数结构应用广泛的信息领域。从粒计算的角度,提出一种基于代数粒的聚类方法。基于二元代数运算定义代数粒;提出一种基于代数粒的聚类方法,通过粒集的同余划分和粒结构的同态映射进行粒度聚类;将提出的聚类方法与容差邻域模型和商空间模型进行对比分析。结果表明,该新型方法具有更好的结构完备性和应用鲁棒性。基于代数粒的聚类方法从结构上丰富和扩展了粒度计算理论,为粒计算与机器学习的融合研究提供了理论依据。

基于区间值犹豫模糊多粒度粗糙集的三支决策模型

针对区间值犹豫模糊信息系统,提出了两种基于区间犹豫模糊多粒度粗糙集的三支决策模型。首先,借助多粒度粗糙集理论,提出乐观和悲观区间犹豫模糊多粒度粗糙集模型。其次,引入区间犹豫模糊连续交叉熵的概念,用TOPSIS方法来计算对象在不同情况下的条件概率。基于此,定义区间犹豫模糊决策理论粗糙集并给出相应的三支决策规则。最后,通过实例验证了这两种模型对目标评估采取不同的态度和决策方案,并且证明了所提算法的有效性。

多粒度粒球粗糙集模型

基于粒球计算的粗糙集理论作为知识发现和数据挖掘的重要工具之一,已成功地应用于标记预测、属性约简等。而现有的粒球粗糙集模型仅仅是从单粒度出发,无法从多粒度角度对数据进行分析和处理,实际生活中仍有很多应用场景需从多粒度角度进行思考。将粒球计算思想结合到多粒度粗糙集模型,提出了多粒度粒球粗糙集模型,并讨论了该模型的相关性质。该模型通过纯度的设定对数据进行粒球划分,能够有效地刻画数据之间的内在联系,以此设计多粒度粒球粗糙集的正域生成算法。实验分析表明该模型的可行性和有效性。

基于加权复杂度的SMOTE算法及其在软件缺陷预测中的应用

近年来,SMOTE被广泛应用于软件缺陷预测中不平衡数据的处理。然而,现有的SMOTE算法普遍忽视了不同样本的复杂度存在很大差异这一问题。事实上,在缺陷预测时样本的复杂度与其是否具有缺陷之间存在着密切的联系,因此,在进行过采样时,有必要利用样本的复杂度来辅助新样本的合成,从而提高缺陷预测的性能。如何度量样本的复杂度非常重要,论文在计算样本复杂度时充分考虑到每一个条件属性的权重,从而得到一种加权复杂度的概念。基于加权复杂度,提出一种新的SMOTE算法——WCP-SMOTE,并将其应用于软件缺陷预测。WCP-SMOTE算法首先利用粗糙集中的粒度决策熵来计算决策表中每个条件属性的重要性和权重;其次,通过对样本在所有属性上的取值进行加权求和,从而得到该样本的加权复杂度;第三,根据加权复杂度对少数类样本进行升序排序,并从头到尾对相邻的两个少数类样本求平均来不断地合成新的样本,直到获得一个平衡的数据集。在多个缺陷预测数据集上的实验表明,利用WCP-SMOTE算法来处理不平衡数据能够获得更好的软件缺陷预测性能。

针对模糊数据近似处理的阴影集研究综述

阴影集(Shadowed set,SS)是一种对模糊集进行三支近似处理的不确定性知识发现模型,其能够对模糊集中具有精确值的不确定性对象进行有效的近似和划分,从而减少模糊决策过程中不确定性对象的决策划分成本和计算损耗.首先,回顾阴影集的发展历程,并从四个方面介绍其研究现状及内容,即阴影集的模型构建、理论性质、数据分析以及应用研究.通过总结分析它们的核心思想、方法体系、相互关系和区别等,为该领域的后续研究提供借鉴.随后,讨论分析阴影集理论与其他不确定性问题处理理论模型的联系,尤其是阴影集与模糊集、粗糙集和三支决策理论之间的区别、联系以及互补性.最后,围绕上述四个研究方面,对当前若干具有挑战性的研究问题进行分析和展望.

基于广义粒度自编码器的模糊粗糙聚类方法

为了解决模糊化器参数的不确定性问题,提出基于广义粒度自编码器的模糊粗糙聚类方法。基于阴影集优化每个聚类的划分阈值,将所有模式划分为不同的近似区域;通过多粒度近似区域捕捉模糊参数产生的不确定性,包括模糊化系数产生的不确定性,边界区域和重叠分区产生的模糊性;进一步建立多级粒度自编码器评价聚类模型的质量。多个数据集聚类对比实验表明该方法能够有效挖掘不确定信息,提升聚类性能。

基于模糊粒度条件熵与改进萤火虫算法的特征选择方法

提出了一种基于模糊粒度条件熵与改进萤火虫算法(firefly algorithm,FA)的特征选择方法FS_FGCEIFA。将模糊粗糙集中的知识粒度与λ-条件熵结合,提出模糊粒度条件熵这一新的信息熵模型;将模糊粒度条件熵应用于FA中,提出一种基于模糊粒度条件熵的适应度函数;采用引力搜索算法中粒子惯性质量和万有引力的计算策略来调整FA中萤火虫的亮度和吸引力,并且将基于引力搜索的自适应步长因子融入FA的位置更新中。在多个UCI数据集以及软件缺陷预测数据集上的实验表明,FS_FGCEIFA能够获得更好的分类性能。

基于θ算子的多粒度直觉模糊粗糙集模型

针对在多属性决策中决策者难以在多个属性相互冲突时做出准确判断的问题,文中在直觉模糊近似空间中,首先利用直觉模糊集的隶属度、非隶属度与模糊蕴含算子,提出了基于θ算子和θ*算子的直觉模糊集及其隶属度和非隶属度的概念,并证明了它们的一系列性质。然后,在直觉模糊集与多粒度粗糙集上,定义基于θ算子的多粒度直觉模糊粗糙集的悲观、乐观模型,讨论两种模型的相关性质。最后,给出了基于θ算子的多粒度直觉模糊粗糙集模型的多属性决策算法,将高校引进的人才评价和企业绿色经济供应链的商家评价作为实例进行了分析,同时还与已有方法进行了分析对比,用乐观、悲观模型与已有方法的决策结果的对比证明了所提方法的正确性,并验证了该模型算法的有效性。

面向不完备混合数据的模糊多粒度异常检测

针对现有的异常检测方法大多无法有效处理不完备混合数据的问题,提出一种面向不完备混合数据的模糊多粒度异常检测算法ADFIIS(Anomaly Detection in Fuzzy Incomplete Information System),所提算法考虑在标称属性和在数值属性上出现缺失值的情况,能处理混合属性数据。首先,定义属性之间的模糊相似度;其次,计算每个属性的模糊熵,基于熵的大小使用多粒度的思想构建多个属性序列;再次,计算每个样本的异常值以表征它的异常程度;最后,设计相应的ADFIIS算法并分析它的复杂度。在公开数据集上进行实验,将所提算法与ILGNI(Incomplete Local and Global Neighborhood Information network)等主流离群点检测算法对比。实验结果表明,ADFIIS在不完备混合数据集上的受试者操作特征(ROC)曲线效果更好。ADFIIS的曲线下面积(AUC)的平均值优于90%的对比方法,相较于同样能够处理不完备混合数据的ILGNI,它的AUC平均值提升了7个百分点。所提算法使用模型扩展法在不改变原始数据集的情况下对不完备数据集进行异常检测,拓展了异常检测的适用范围。

基于多粒度犹豫模糊语言术语集的TOPSIS决策方法研究

为了解决在实际决策时,由于知识背景不同决策者采用不同粒度语言术语集来表达而导致决策结果不准确的问题,本文提出了一种基于多粒度犹豫模糊语言术语集的逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)决策方法。首先选用各术语集中的最大粒度作为标准粒度,通过转换算法将每个决策者的语言术语集转换到同一标准粒度下进行集结,得出相应的隶属度语言术语集;然后结合TOPSIS方法,计算每个备选方案与正、负理想点距离,以相对贴近度的大小排序实现最优方案的选择;最后,通过一个实例,验证该方法的可行性和优越性。本文所提方法可应用于最优方案的选择问题中,提升决策结果准确度。

三角模糊不完备三支群决策及其在糖尿病诊断中的应用

为同时应对不确定信息表示与风险信息融合对群决策带来的挑战,构建一种三角模糊不完备三支群决策方法,并将其应用于糖尿病诊断决策。首先,针对信息不确定性蕴含的模糊性和不完备性,分别引入三角模糊集和不完备信息系统的概念。通过与多粒度三支决策结合,构建了可调多粒度三角模糊概率粗糙集模型。然后,根据离差最大化法计算属性权重与专家权重,结合ELECTRE(elimination et choice translating reality)方法建立了三角模糊多属性群决策方法。最后,通过对糖尿病患者数据的案例分析和评估,验证了所提方法的可行性和有效性。该方法不仅从不确定信息表示、风险信息融合和最优粒度选择的视角丰富了多粒度三支群决策理论,而且推动了糖尿病智能诊断方面的应用。