粗糙集理论介绍.pptVIP

粗糙集理论简介 图像研究室 2006.2 粗糙集产生背景 边界问题的提出 粗糙集产生背景 应运而生的理论(模糊集) 粗糙集产生背景 经典集合 粗糙集产生背景(模糊集) 模糊集合 粗糙集产生背景(模糊集) 粗糙集产生背景(模糊集) 粗糙集产生背景(模糊集) 粗糙集产生背景(模糊集) 粗糙集产生背景(模糊集) 粗糙集理论历史 1982. 波兰数学家Z.Pawlak首次提出. 1991. Z.Pawlak出版著作“Rough Sets: Theoretical Aspects of Reasoning about Data ” 1992. 召开首次国际研讨会. 近几年来得到飞速发展,在数据挖掘, 模式识别, 粗糙逻辑等方面取得较大进展. 粗糙集理论相关的学科 人工智能 (Artificial Intelligence) 离散数学 (Disperse Mathematics) 概率论 (Probability Theory) 模糊集理论 (Fuzzy Sets Theory) 神经网络 (Neural Networks) 计算机控制 (Computer Control) 专家系统 (Expert System) 其它 (Others) 粗糙集理论的基本观点 粒度的观点. 知识是有粒度的. 粒度越小, 能精确表达的概念越多. 粒度的形式表示:不可区分关系/等价类. 粒度是知识的最小单位. 近似的观点. 利用两个在当前粒度下能精确表达的概念逼近不精确概念(粗糙集)—上近似和下近似. 粗糙集理论的特点 将知识定义为不可区分关系的一个族集, 使得知识具有了清晰的数学意义,便于用集合运算处理. 不需要关于数据的附加信息 . 粗糙集仅仅从数据本身进行分析,通过建立新型的成员关系,计算成员归属程度的不确定性,无需任何先验知识. 粗糙集和模糊集 错误认识：两者是相互竞争的. 正确观点：是描述知识不精确性与不确定性的两个不同的概念，二者相互补充，有望显示出更强的功能. 相同点：都是处理不确定信息的理论. 不同点 粗糙集和模糊集 研究对象： FS研究人类语言产生的集合边界的病态定义，即边界的不分明性； RS研究认知能力产生的集合对象之间的不可分辨性。 研究方法： FS通过隶属函数描述对象关于集合的不确定性；RS引入一对上下近似集合，用它们的差集来描述不确定的对象。 需指出的一点：FS的隶属函数带有很强的主观意志；RS通过客观存在的结构（上下近似的差集）来处理边界上的不确定性，即知识的含糊度是可以用公式来计算的。 基本概念(一) 信息系统是三元组(U,A, D). 其中U是对象集合, A是属性集合, D是属性的值域. 不可区分关系?是定义在A的子集B上的二元关系. x?y iff x(a)=y(a), x,y?U, a?B 不可区分关系是一个等价关系, 它的等价类构成了信息系统表示的知识的最小粒度. 这个粒度内的对象不可区分. 基本概念(二) 对象集合P?U 成为信息系统的一个概念. 此概念在属性集合B ?A下的下近似是包含在该概念下的最小粒度之和. 此概念在属性集合B ?A下的上近似是和该概念交不为空的最小粒度之和. 如果上下近似是相等的, 则这是一个精确集合, 否则它是一个粗糙集, 其中下近似称为该概念的正区域, 上下近似的差称为边界.上近似以外的区域称为负区域. 粗糙集信息处理过程 数据预处理 对于不同获取途径的原始数据不一定能 获取有效信息,所以数据预处理非常必要. 方法: 1、获取信息数据空缺或遗漏时,进行决策表补齐,尽可能恢复真实信息. 2、获取信息数据复杂多变,进行数据离散化,对数据进行适当的划分. 数据预处理要求 信息表缺失项补齐,不能引入相关冲突. 缺失项的填补应使完整化后的信息系统的分类规则有尽可能高的支持度. 数据离散化的分隔断点应尽可能少. 相关算法的时间和空间复杂度尽可能低. 预处理相关算法 (一) 决策表补齐 1、Mean Completer算法 2、Combinatorial Completer算法 3、ROUSTIDA算法 预处理相关算法 (二) 决策表离散化 1、等距离、等频率划分算法 2、Na?ve Scaler算法 3、Semi Na?ve Scaler算法 4、布尔逻辑算法 5、启发式算法 6、基于断点、属性重要性的离散化算法 近似的应用:约简 对于任意概念P?U, 下近似是原信息系统中属性集合B ?A能确定表达出该概念的部分. 有可能只需要部分属性就能表达出同样的东西. 如果这部分属性是最小的, 即它的子集不再具有这个性质, 那么该属性集称为约简. 求约简是属性选择问题. 约简是保