不完整Vague决策表中的近似集学习方法

含糊性和不可分辨性构成了决策表中不确定性的两个不同侧面 .Vague集作为当前模糊信息处理中的一个新兴研究课题 ,它具有强大的表达不精确数据的能力 ,然而针对它的学习方法却未见报导 ,大多数现有针对Vague集的研究仍集中于对其本身性质的讨论 .在介绍 Vague集的有关概念的基础上 ,借鉴了粗糙集合中有关近似集的概念 ,特别对不完整 Vague决策表中的学习机制作了研究 ,解决了数据描述不精确时的学习问题 .所给出的两个算法分别适用于决策属性具有精确与 Vague取值的情形 .

Vague决策表中的含糊规则获取策略

能否有效地处理好决策表中的含糊性在很大程度上影响到决策效果 .Gau和 Buehrer所提出的 Vague集是对于模糊集概念的推广 ,最近该理论已被作为一种新型的描述含糊数据的有效工具 ,并在多个领域中获得了成功的应用 .该文将 Vague集应用于决策表中数据的描述之中 ,通过一个真隶属函数和一个假隶属函数来分别构造[0 ,1]上的子区间 .文中详细地讨论了造成 Vague决策表中含糊性的各种因素 ,指出不确定性是有别于未知性的 .在引入 Vague区别矩阵的概念后 ,给出了另一种含糊规则的获取策略 .通过与作者在以往文献中提出的 Vague包含与相交因子的对比 ,从理论上分析了它们各自的适用条件 .

Vague决策表的知识获取

本文提出一种Vague决策表的知识获取方法。首先根据样本对于决策者需求的适合程度构造Vague值之间的一个序关系,将Vague决策表转化为二元决策表,然后利用粗糙集理论进行分析并推理出最优规则,最后再将二元决策表的决策规则转化为Vague决策表的有序规则。实验分析表明了该方法的有效性。