论文部分内容阅读
粗糙集理论是一种新的处理不确定、不精确、不完整知识的数学分析工具,与其他处理不确定和不精确问题理论的显著区别是它无需提供问题所需处理的数据集合之外的任何先验信息,对问题的不确定性描述或处理比较客观,目前在知识获取、模式识别、医疗数据分析、智能控制等领域具有广泛的应用。然而该理论未能包含处理不精确或不确定原始数据的机制,所以与概率论、模糊数学和证据理论等其他处理不确定或不精确问题的理论有很强的互补性。同时现有的粗糙集理论对模糊属性值的信息系统缺乏相应的处理能力,如何扩展现有的粗糙集理论模型及方法,以适应模糊不确定数据是目前粗糙集理论的一个研究方向。
Vague集理论是在模糊集理论基础上发展起来的更加符合人类思维习惯的模糊信息处理方法,它为我们处理模糊性问题提供了一种崭新的思路。
本文在深入分析粗糙集理论在处理模糊信息方面的局限性以及Vague集理论自身优势的基础上,对经典粗糙集理论进行了扩充,主要创新点在于:
(1)经典粗糙集理论把知识看成是对论域的划分,由于实际应用中等价关系构造的困难性和不必要性,本文重点研究了覆盖知识空间。在此基础上,更进一步将经典粗糙集理论中集合的精确值集推广到了Vague集,提出了基于覆盖的粗糙Vague集模型,并且证明了模型的一些性质。通过定义覆盖的粒度熵和覆盖的知识含量,同时结合粗糙度的概念,分别给出了基于粒度熵和基于知识含量的覆盖粗糙Vague集模型的不确定性度量方法,并通过实例分析说明了两种不确定性度量方法的有效性。
(2)针对目前粗糙集理论在处理用Vague概念描述属性值的信息系统时的局限性,深入研究了序Vague信息系统,定义了Vague值间的序关系。为了有效地对序Vague信息系统进行属性约简,定义了序Vague信息系统的优势类,从信息系统中属性值的增加或减少而导致知识粒度变化的角度,采用粒度计算的方法定义了属性重要性度量,在此基础上提出了一种启发式序Vague信息系统的属性约简算法,分析了算法的时间复杂度,最后的实例分析说明了算法的有效性。
(3)面对序Vague信息系统中属性集同时包含条件属性集和决策属性集的序Vague决策表,为了获取序Vague决策表的约简属性集,本文分析了协调的和不协调的序Vague决策表,分别定义了优势可辨识矩阵和优势分布可辨识矩阵。在此基础上给出了序Vague决策表的属性约简算法,并通过实例分析说明了该算法的有效性。