粗糙集 - 智能科学.ppt

* * * * * * * * * * 粒，根据它的名字可知，是实体的集合，这些实体通常来源于数据层。这些数据根据他们的相似性，功能临近性，不可分辨性，一致性等组织在一起；同时，粒也是我们现实的抽象，它的目标是建立高效的以及以用户为中心的对于外界世界的观点，从而支持和帮助我们对周围物理和虚拟世界的感知。因此一个粒不仅仅是实体的聚类或者集合，同时也是这些聚类或者集合的抽象。这是粒和集合或者聚类不同点所在。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 高级人工智能 史忠植 * 五、 粗糙集的扩展模型 基本粗糙集理论的主要存在的问题是： 1)???? 对原始数据本身的模糊性缺乏相应的处理能力； 2)???? 对于粗糙集的边界区域的刻画过于简单； 3) 粗糙集理论的方法在可用信息不完全的情况下将对象们归类于某一具体的类，通常分类是确定的，但并未提供数理统计中所常用的在一个给定错误率的条件下将尽可能多的对象进行分类的方法，而实际中常常遇到这类问题。 * 高级人工智能 史忠植 * 可变精度粗糙集模型 W.Ziarko提出了一种称之为可变精度粗糙集模型，该模型给出了错误率低于预先给定值的分类策略，定义了该精度下的正区域、边界区域和负区域。下面扼要地介绍其思想： 一般地，集合X包含于Y并未反映出集合X的元素属于集合Y的“多少”。为此，VPRS定义了它的量度： C(X, Y)=1–card(X?Y)/card(X) 当card(x)0， C(X, Y)=0 当card(x)=0。 C(X, Y)表示把集合X归类于集合Y的误分类度，即有C(X, Y)?100%的元素归类错误。显然，C(X, Y)=0时有X?Y。如此，可事先给定一错误分类率?(0??0.5)，基于上述定义，我们有X??Y，当且仅当C(X, Y)??。 * 高级人工智能 史忠植 * 可变精度粗糙集模型 在此基础上，设U为论域且R为U上的等价关系，U/R=A={X1, X2, …, Xk }，这样，可定义集合X的?-下近似为 R?X=?Xi (Xi??X, i=1, 2, …, k) 或 R?X=?Xi (C(Xi, X)??, i=1, 2, …, k)， 并且R?X称为集合X的?-正区域，集合X的?-上近似为 R?X=?Xi (C(Xi, X)1–?, i=1, 2, …, k)， 这样，?-边界区域就定义为： BNR?X=?Xi (?C(Xi, X)1–?)； ?-负区域为：NEGR?X=?Xi (C(Xi, X)?1–?)。 以此类推，我们还可以定义?-依赖、?-约简等与传统粗糙集模型相对应的概念。 * 高级人工智能 史忠植 * 相似模型 在数据中存在缺失的属性值的时候（在数据库中很普遍），不分明关系或等价关系无法处理这种情形。为扩展粗糙集的能力，有许多作者提出了用相似关系来代替不分明关系作为粗糙集的基础。 在使用相似关系代替粗糙集的不分明关系后，最重要的变化就是相似类不再形成对集合的划分了，它们之间是相互重叠的。类似于等价类，可以定义相似集，即所有和某各元素x在属性集合B上相似的集合SIMb(x)。值得注意的是SIMb(x)中的元素不一定属于同一决策类， 因此还需要定义相似决策类，即相似集对应的决策类集合。 * 高级人工智能 史忠植 * 基于粗糙集的非单调逻辑 自粗糙集理论提出以来，粗糙集理论的研究者都很重视它的逻辑研究，试图通过粗糙集建立粗糙逻辑，也相应地发表了一系列的粗糙逻辑方面的论文 。 * 高级人工智能 史忠植 * 与其它数学工具的结合 D.Dudios和H.Prade由此提出了Rough Fuzzy Set和Fuzzy Rough Set的概念 A.Skowron和J.Grazymala-Buss认为，粗糙集理论可以看作证据理论的基础。并在粗糙集理论的框架上重新解释了证据理论的基本概念，特别是用上近似和下近似的术语解释了信念(belief)和似然(plausibility)函数，进而讨论了两者之间的互补问题。 * 高级人工智能 史忠植 * 六、粗糙集的实验系统 在过去几年中，建立了不少基于粗糙集的KDD系统，其中最有代表性的有LERS、ROSE、KDD-R等。 1．LERS LERS(Learning from examples based on Rough