粗糙集理论的应用(可编辑).docVIP

1 绪论 1.1 粗糙集理论的诞生与发展 1982年，Z.Pawlak在《International Journal of Computer and Information Science》杂志上发表了标志着粗糙集理论诞生的论文RS[1]。1991年，Z.Pawlak发表了专著《Rough Set: Theoretical Aspects of Reasoning about Data》R.Slowinski出版了粗糙集理论应用专著《Intelligent decision support: handbook of applications and advances of the rough sets theory》。由于当时正值人们广泛开展对数据库中数据间隐含知识进行发掘研究的年代，而粗糙集理论正是应用于数据挖掘的一种数学工具，因而受到了研究人员的重视，使粗糙集理论得到了迅速的发展 粗糙集理论及其应用在我国的发展虽然起步晚了点，但经过广大学者的努力研究，也获得了较大的成绩。从2001年5月在重庆举中国粗糙集理论学术研讨会每年召开一届Bel函数和Pl函数来分析数据信息。在本质上看，粗糙集中的上、下近似集正好与DS理论的Bel函数和Pl函数相对应，由于在DS理论中获得Bel函数和Pl函数需要对数据机率分布进行设定，而粗糙集理论只需要数据本身就能获取一定的信息，因此两者相结合可以互相弥补各自的不足，增加数据挖掘的效率。 与信息论的结合。由于在生活中有绝大部分事物都是不确定的，因此人们用信息熵的概念来衡量事物的不确定性程度，它运用一定的分析手段将事物的不确定性进行数值化，利用信息熵的这一特点，将粗糙集理论中各属性的重要程度进行度量并数值化，从而便于运用数学方法找出其中的冗余属性进行属性约简，因此这一方面的研究也逐渐受到学者们的重视并成为研究的热点。 1.2.4 算法研究 由于粗糙集理论建立的目的在于为数据挖掘所服务，而创造实在某种目的的算法也是一项相当重要的研究，研究的方向主要有： 获得决策规则的增量算法。由于已经存在的算法都是针对一定的数据集合来实现的，当原来的数据集发生改变时，原本的算法已经不适合用于新的数据集，获得新的数据集的决策规则是变得相当困难。因此对此增量算法研究的意义在于当数据集发生新的变化时，通过对算法的修改，以适用于新的数据集，从而获得新数据集的决策规则。 基于启发信息的属性约简算法。对于一个提供信息的数据系统，找出其中所有的冗余进行约简已被证明是一个不确定性问题。因此通过运用启发信息来获得条件属性的一个较好的约简是效率较高的方法，关键在于如何确定一个高效的启发信息，当前设计优良启发信息的着重点在于衡量数据信息系统中的各属性的重要程度。 与其余经典算法的结合。由于已经设计出的经典算法在具体某一方面的运用中效率十分显著，但与此同时也必定在某一方面上存在着缺陷。通过对粗糙集理论算法与经典算法的研究，找出两类算法之间的内在联系，从而利用粗糙集理论算法的优势来弥补经典算法上的某些不足，从而提高经典算法的效率，拓展粗糙集理论的应用。 1.3 粗糙集理论的应用 1.3.1 粗糙集应用于化工生产 在化工品生产方面，某些化工品在其合成过程中，化工品最终的有效成分含量、产品的实际产率与该产品在生产过程中的生产技艺、操作步骤、配方物含量等有着本质上的联系。找出这两者之间所蕴含的联系一直是化工品生产企业的研究内容。利用粗糙集理论进行数据挖掘，确定操作变量与产品实际产率，有效成分含量之间的分类规则，达到提高产品质量与产量的效果。 1.3.2 粗糙集应用于经济成本控制 在选矿生产所需成本中，原材料所需费用占整个成本比例的80%以上。通过基于粗糙集理论的确定各变量重要度的方法，来衡量各因素变量对原材料成本的影响程度；同时运用其中的最小化约简，找出对于影响成本消耗的可控因素和不可控因素，为有效降低生产成本，提高经济效益提供决策支持。 1.3.3 粗糙集应用于电力系统 在电力设备故障诊断方面，由于在故障现场所获取的数据信息存在着大量的干扰噪声；与此同时同一故障可能在多个测量值中同时出现，因此捕获的故障数据存在着一定的冗余性，影响故障处理。通过运用粗糙集中的约简理论，对冗余数据进行约简处理，从而形成清晰的故障数据分析，有效提高设备故障诊断的准确度。 1.3.4 粗糙集应用于灾害预报 在灾害预报方面，例如在预测气象灾害中，由于在同一时刻，监测设备捕获到了大量的气象数据，由于数据量较大，而且各种数据之间的关联性十分高，因此对于在该数据集下天气会产生怎样的影响较难分析出来。应用粗糙集理论，对收集来的气象数据进行冗余约简，同时通过相关理论来分析气候数据，来找出各种繁杂气候数据之间的相关联系，从而获得未来一段时间内的气