论文部分内容阅读
粗糙集理论是信息不确定性度量研究的重要理论工具，其特点是能直接从给定问题的描述集合出发，不需要先验知识和外界信息，通过知识对象的不可分辨关系给定问题的近似域，找出该问题中的内在规律。
尽管基于粗糙集的不确定性度量方法近来得到了较快的发展和应用，但仍有一些问题需要进一步研究，如，不确定性度量方法的分类、归一化、应用范围等问题。本文针对这一类问题开展了如下研究：
首先，对基于粗糙集理论的不确定性度量方法进行了归类和分析。在代数观和信息观的基础上，增加了几何观的分类方式，并对这几类方式的特性进行了对比分析。
其次，通过对随机熵不确定率和全知熵不确定率的分析讨论，发现当知识系统的代数特征明显或系统本身处于较确定的状态时，这两种度量方法都不能精确地反映系统的不确定性。于是，本文引入近似分类质量来衡量全知熵两个组成部分的权重，提出一种新的不确定性度量方法。
最后，将新的不确定性度量方法应用到Skowron算法中，实现了Skowron算法的自主式学习。将改进后的Skowron算法与经典的Skowron算法及相应的改进算法进行实验对比，结果表明这种改进的阈值选取方式大大提高了Skowron算法的性能，进而验证了这种新的不确定性度量方法的合理性和有效性。