粗糙集理论其应用研究.pdf

摘要 粗糙集(Rough 用于处理不确定性和含糊性知识的数学工具，其基本思想是在保持分类能力不变 的前提下，通过知识约简，导出概念的分类规则。它无需提供相关数据集合外的 任何先验信息，适合于发现数据中隐含的、潜在有用的规律，即知识，找出其内 部数据的关联关系和特征。近年来，粗糙集理论和应用取得了很大的成功，已成 为软计算方法的重要分支，其涉及的领域包括模式识别、机器学习、决策分析和 决策支持、知识获取、知识发现等。本论文主要研究粗糙集、vague集理论及其 在群决策、信息检索和模糊多准则决策领域的应用。主要工作概括如下： 1．引入一种新的信息熵，从信息论的角度建立起了相容粗糙集理论中的知识与 信息熵的关系，证明了信息熵是随着信息粒度的减小而单调递减的，在此基础 上提出了相容粗糙集理论中的属性约简算法。针对一类广义模糊数据，通过 引入一种基于伪距离的近似关系，提出了模糊粗糙集的属性约简方法。另外， 在传统的粗糙集模型和相容粗糙集模型基础上，通过松弛样本间不可分辩或 相容性条件，建立了一种新的粗糙集模型一基于和谐关系的粗糙集模型，讨 论了和谐关系的粗糙性与信息熵之间的关系。 2．针对一类具有语言判断矩阵形式偏好信息的群决策问题，提出了一种基于优