正在加载图片...
.482 智能系统学报 第11卷 典粗糙集中的划分推广成更一般的覆盖,增强了其 分之间的关系,进而建立了多粒度覆盖粗糙集和证 处理数据的能力[」 据理论之间联系。 从粒计算的角度来看,Pawlak粗糙集及推广形 1相关概念 式都是基于单一二元关系,均可被称做单粒度粗糙 集。然而,在许多实际应用中,需要由多个二元关系 1.1 Pawlak粗糙集相关概念 诱导出的多粒度结构对目标概念进行刻画。为此, 定义1令S=(U,CUD,V.)是信息系 钱宇华等[⑧,0提出了基于全域中多个等价关系的经 统,其中U={1,x2x3,…,x}是非空有限对象 典多粒度粗糙集模型。苗夺谦等)在覆盖近似空 集,称为论域:C是条件属性集,D是决策属性集, 间中提出4种乐观多粒度覆盖粗糙集模型,其中集 V=UV。,Vn是属性a的属性值,f:U×CUD→V 合的第一、二型近似分别基于论域中对象极小描述 是一个信息函数,它指定U中每一个对象的属性 的交和并,集合的第三、四型近似分别基于论域中对 值,即a∈A,x∈U,fx,a)∈V。。通常用S= 象极大描述的交和并。 (U,A)代替S=(U,CUD,V.)。 另一方面,Dempster--Shafer(DS)证据理论产生 HBCC决定一个二元不可辨识关系)R。,定 自20世纪60年代。Dempster!)提出了集值映射的 义为 概念,并定义了上、下概率。随后,Shafer!用信度 Rg={(x,y)∈U×U|Ha∈B,f(x,a)=fy,a)} 函数对上、下概率重新进行诠释,创立“证据的数学 显然,R是集合U上的等价关系,对于BCC, 理论”。Dempster还定义了著名的Dempster证据组 关系RB产生U的一个划分U/Rg={[x]Bx∈U}, 合规则,该理论中的基本概念是信度函数,包括信任 即[x]B={y∈Ul(x,y)∈Rg}。 函数和似然函数,并以此来度量知识的不确定性。 定义2令S=(U,R)为近似空间,R是U上 与粗糙集理论相类似,证据理论也是一种处理不确 定性的有力工具16。许多专家对粗糙集和证据 的等价关系,HXCU,称R(X)和R(X)为X关于 理论之间的关系进行了研究和推广。姚一豫[)指 R的上、下近似),如果 出可以用信任函数和似然函数对粗糙集中的上、下 R(X)={x∈U川[x]RCU) 近似算子进行解读:吴伟志等[16]将信任结构与近似 R(X)={x∈Ul[x]R∩U≠O} 空间相结合,从证据理论的角度研究Pawlak粗糙集 若R(X)≠R(X),称X为粗糙集山,否则称X 的知识约简:陈德刚等1)在统一框架下对若干覆盖 为可定义集四。 近似算子进行分类,基于粒和证据理论对这些覆盖 1.2覆盖粗糙集相关概念 粗糙近似算子进行度量,并且用信任函数和似然函 定义3令U为论域,C是U的一族子集。如 数对邻域覆盖粗糙集中上、下近似算子进行了度量, 果⑦C且UC=,则称C是U的一个覆盖[2); 进而建立了上述函数与邻域信息系统属性约简之间 称序对(U,C)是覆盖近似空间2】。 的关系[ 定义4令(U,C)为覆盖近似空间,其中C= 将证据理论与多粒度粗糙集模型相结合是目前 的研究热点之一[202,谭安辉2基于证据理论刻 {C1,C2,…,C}。HXSU,称C(X)和C(X)为X 画了不完备信息系统中多粒度粗糙集的数值属性, 关于C的上、下近似2],如果 指出只有悲观多粒度粗糙集的数值属性可以由信任 C(X)=U{C:CX,i∈{1,2,…,p}} 结构刻画,并构建了一种多粒度粗糙集的属性约简 C(X)=U{C:∩X≠☑,i∈{1,2,…,p}} 算法:林国平1)结合证据理论和多粒度粗糙集,提 定义5令(U,C)为覆盖近似空间,Hx∈U, 出一种新的融合多源信息的方法。然而,上述研究 集合mdc(x)和MDc(x)分别称x关于C的极小描 都没有考虑过如何构建多粒度覆盖粗糙集的信任结 述和极大描述四,如果 构以及如何用证据理论刻画多粒度覆盖粗糙集的数 mdc(x)={K∈Clx∈K∧(HS∈CAx∈S∧ 值属性。基于上述启发,本文首先在苗夺谦等提 SCK→K=S)} 出的4种乐观多粒度覆盖粗糙集模型的基础上定义 MDc(x)={K∈Clx∈KA(HS∈CAx∈SA 4种悲观多粒度覆盖粗糙集模型,然后基于证据理 KCS→K=S)} 论给出多粒度覆盖粗糙集的信任结构。通过集合的 1.3多粒度粗糙集相关概念 交运算和关系划分函数建立多粒度覆盖与单粒度划 下面简要给出多粒度粗糙集的两种模型,即乐典粗糙集中的划分推广成更一般的覆盖,增强了其 处理数据的能力[7,9] 。 从粒计算的角度来看,Pawlak 粗糙集及推广形 式都是基于单一二元关系,均可被称做单粒度粗糙 集。 然而,在许多实际应用中,需要由多个二元关系 诱导出的多粒度结构对目标概念进行刻画。 为此, 钱宇华等[8,10]提出了基于全域中多个等价关系的经 典多粒度粗糙集模型。 苗夺谦等[11] 在覆盖近似空 间中提出 4 种乐观多粒度覆盖粗糙集模型,其中集 合的第一、二型近似分别基于论域中对象极小描述 的交和并,集合的第三、四型近似分别基于论域中对 象极大描述的交和并。 另一方面,Dempster⁃Shafer(DS) 证据理论产生 自 20 世纪 60 年代。 Dempster [12]提出了集值映射的 概念,并定义了上、下概率。 随后, Shafer [13] 用信度 函数对上、下概率重新进行诠释, 创立“证据的数学 理论”。 Dempster 还定义了著名的 Dempster 证据组 合规则,该理论中的基本概念是信度函数,包括信任 函数和似然函数,并以此来度量知识的不确定性。 与粗糙集理论相类似,证据理论也是一种处理不确 定性的有力工具[14-16] 。 许多专家对粗糙集和证据 理论之间的关系进行了研究和推广。 姚一豫[17] 指 出可以用信任函数和似然函数对粗糙集中的上、下 近似算子进行解读;吴伟志等[16] 将信任结构与近似 空间相结合,从证据理论的角度研究 Pawlak 粗糙集 的知识约简;陈德刚等[18]在统一框架下对若干覆盖 近似算子进行分类,基于粒和证据理论对这些覆盖 粗糙近似算子进行度量,并且用信任函数和似然函 数对邻域覆盖粗糙集中上、下近似算子进行了度量, 进而建立了上述函数与邻域信息系统属性约简之间 的关系[19] 。 将证据理论与多粒度粗糙集模型相结合是目前 的研究热点之一[20-21] ,谭安辉[22] 基于证据理论刻 画了不完备信息系统中多粒度粗糙集的数值属性, 指出只有悲观多粒度粗糙集的数值属性可以由信任 结构刻画,并构建了一种多粒度粗糙集的属性约简 算法;林国平[14] 结合证据理论和多粒度粗糙集,提 出一种新的融合多源信息的方法。 然而,上述研究 都没有考虑过如何构建多粒度覆盖粗糙集的信任结 构以及如何用证据理论刻画多粒度覆盖粗糙集的数 值属性。 基于上述启发,本文首先在苗夺谦等[11] 提 出的 4 种乐观多粒度覆盖粗糙集模型的基础上定义 4 种悲观多粒度覆盖粗糙集模型,然后基于证据理 论给出多粒度覆盖粗糙集的信任结构。 通过集合的 交运算和关系划分函数建立多粒度覆盖与单粒度划 分之间的关系,进而建立了多粒度覆盖粗糙集和证 据理论之间联系。 1 相关概念 1.1 Pawlak 粗糙集相关概念 定义 1 令 S = (U,C ∪ D,Va ,f) 是信息系 统[1] ,其中 U = x1 ,x2 ,x3 ,…,xn { } 是非空有限对象 集,称为论域; C 是条件属性集, D 是决策属性集, V = ∪a∈A Va , Va 是属性 a 的属性值, f:U × C ∪ D → V 是一个信息函数,它指定 U 中每一个对象的属性 值,即 ∀a ∈ A, x ∈ U,f(x,a) ∈ Va 。 通常用 S = (U,A) 代替 S = (U,C ∪ D,Va ,f) 。 ∀B ⊆ C 决定一个二元不可辨识关系[1]RB ,定 义为 RB = { (x,y) ∈ U × U ∀a ∈ B,f(x,a) = f(y,a) } 显然, RB 是集合 U 上的等价关系,对于 B ⊆C , 关系 RB 产生 U 的一个划分 U/ RB = [x] B { x ∈ U} , 即 [x] B = y ∈ U (x,y) ∈ RB { } 。 定义 2 令 S = (U,R) 为近似空间, R 是 U 上 的等价关系, ∀X ⊆ U ,称 R_ (X) 和 R - (X) 为 X 关于 R 的上、下近似[1] ,如果 R_ (X) = x ∈ U [x] { R ⊆ U} R - (X) = x ∈ U [x] { R ∩ U ≠ ⌀} 若 R_ (X) ≠ R - (X) ,称 X 为粗糙集[1] ,否则称 X 为可定义集[1] 。 1.2 覆盖粗糙集相关概念 定义 3 令 U 为论域, C 是 U 的一族子集。 如 果 ⌀ ∉ C 且 ∪ C = U ,则称 C 是 U 的一个覆盖[23] ; 称序对 (U,C) 是覆盖近似空间[23] 。 定义 4 令 (U,C) 为覆盖近似空间,其中 C = C1 ,C2 ,…,Cp { } 。 ∀X ⊆ U ,称 C_ (X) 和 C - (X) 为 X 关于 C 的上、下近似[23] ,如果 C_ (X) =∪ {Ci ⊆ X,i ∈ {1,2,…,p} } C - (X) =∪ {Ci ∩ X ≠ ⌀,i ∈ {1,2,…,p} } 定义 5 令 (U,C) 为覆盖近似空间, ∀x ∈ U, 集合 mdC (x) 和 MDC (x) 分别称 x 关于 C 的极小描 述和极大描述[11] ,如果 mdC (x) = {K ∈ C x ∈ K ∧ (∀S ∈ C ∧ x ∈ S ∧ S ⊆ K⇒K = S) } MDC (x) = {K ∈ C x ∈ K ∧ (∀S ∈ C ∧ x ∈ S ∧ K ⊆ S⇒K = S) } 1.3 多粒度粗糙集相关概念 下面简要给出多粒度粗糙集的两种模型,即乐 ·482· 智 能 系 统 学 报 第 11 卷
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有