Rough集和Rough关系数据库中熵研究.pdfVIP

Rough集积Rou曲关系数据库中媾的研究 摘要 数擎与计冀鞔荦萼学学貔97级诗算撬获孝}与邀沦专篷醑变生：蒋运承 导师；张师超教授、王驹研究员和严小卫教授 Set Prediction)的结果的不确定性 信息熵是度量Rough预测(Rough 鲍一种菲常有效虽鹰竞争力鲍方法。在Rou曲集中，Miao帮Wang裂零 信息缡定义了对磁的粳熵(RoughEntropy)，并试明了一些重要的基本性质。 Dunlsch和Gediga通过定义不同的熵，给出了三种Rough预测的模型(分 别为； 日“(Q_玎)，日(Qod)和H(Q寸d))。在本文的第一 拳中，我翻讨论了Rough集理论中条{孚薅戆表达帮接逮：证明了在一定条 的粗糙。|生(Roughness)有一定的联系，得出了一些性质；推翻了Wang在1985 年巍布的一个猜测；并建立了一个非常有价值的新结果(该结槊已被《软 {孛警报》录用)，弗且Duntsch秘Gediga给出蠡冬一令{}誊重要的绘桑是我 们掰得到的新结襞滟特殊情况，即我们推广了Duntsch和Gediga的结果； 另外，我们定义了负熵(NegatNeEntropy)(t々概念，利用负炳我们简化了条 件熵H(Q斗d)，H”(dlQ)和日(dlQ)的描述和表达，并证明 了蠢关受嫡韵一骛毒债僮筑缝震。 在数据挖掘(DataMining)e3，目前Rough集理论受到非常鬣耍的重视， 是因为在Rough黛理论中新知识的获得是基于数据内部特征来描述的，它 不黎模糊集和D+S证据理论(模糊集需要隶属庹，D．S证据理论需要先验 概豁)。为了获取赫翔谖，我翻翥器一静好的爱蹙方法采度量绘建数据夔不 确逡性以及度量路定数据与预测知识之间的不确定性。在信息系统理论中， 许多专家认为由Shannon定义的熵是目前度量信息不确定性的一种晟好的 方法。另外，Pawlak定义了两个黼数来刻画Rough集x的不精确性： i8一x。 x， ,OR=—-=尹；CeR=至专。 X X 基于信息理论中的熵，Duntsch和Gediga定义了Rough黎中的熵和 静Rough关系的鹅。在本文静第二耄中，我翻落论了Pawlak定义鳇Rough 集的租熵p。(X)与D1．mtsoh和Gediga建立的条件熵的联系．并得出了 几个重要的结果；详细讨论了熵的晟大值和最小值；根据Rough集理论中 l——n 的迫切需要，我们讨论了H“(dQ)和jy，。一】，，l之间的关系，并得 。 。 』口l 出了一个非常有趣、有理论价值和实践价值的一个新结果(该结果己投《计 算机学报》)：另外，我们从数学的角度对Rough集中的熵(包括粗熵和条 件熵)进行了精确的分析，说明了熵是度量Rough集中不确定性的一种非 常实用的数学工具。在此基础上．我们指出了对度量Rough集或Rough关 系数据库中Rough关系的不确定性的方法和工具有望进一步改善和提高， 有关这方面的工作，有待于进一步研究和探索。 对于一个信息系统，熵是一个非常重要的有效的不确定性信息的数学 描述工具。信息的不确定性包括不可分辨性(indiscemibility)、模糊性 的特征刻画了数据间不可分辨性的特点，它和模糊集中的模糊性存在着本 质的不同。许多专家认为模糊集和Rough集之间是互为补充的关系。 在Rou曲关系数据库模型中，对于每一个属性{都有一个等价关系， 并且在一些属性上的取值可以是多值的，而在传统数据库模型中属性的取 值只能是单一的，这是RoLl曲关系数据库与传统数据库之间的本质区别。 Beaubouef建立了Rough关系数据库模型，定义了和传统数据库类似的关 系代数和关系操作(称为Rough关系代数和Rough关系操作)，并给出了 Rough关系的粗熵的定义。在本文的第三章中，我们给出了Rough关系数 据库中粗关系的粗墒的定义．并讨论了Rough关系中粗熵的一些基本性质： 利用墒的最大最