粗糙集理论 - read.ppt

粗 糙 集 理 论 --研究现状与发展前景 主要内容 研究背景 粗糙集基本理论 粗糙集与知识表达 与其它处理不确定性问题方法的关系 粗糙集理论的应用与发展前景 参考文献 与D－S证据理论 粗糙集理论是为开发规则的机器自动生成而提出的, 而D－S理论主要用于证据推理；RS理论用概念的一对上，下近对其进行描述，而D－S证据理论是用一对信任函数和似然函数在给定证据下对假设进行估计和评价。RS理论中的下近似和上近似的概率恰好分别是信任函数和似然函数。然而生成信任函数和似然函数的基本概率分配函数（mass函数）方法是不同的。前者来自于系统中数据本身，比较客观，而后者往往来自于专家的经验，带有很强的主观性。RS理论与D－S证据理论有很强的互补性[15]。 与D－S证据理论（续） 粗糙集理论中知识的不确定性主要由两个原因产生[2]： （1）直接来自论域上的二元关系及其产生的知识模块，即近似空间本身。如果二元等价关系产生的每一个等价中只有一个元素，那么等价关系产生的划分不含有任何信息，划分越粗，每个知识模块越大，知识库中的知识越粗糙，相对于近似空间的概念和知识就越不确定。这时处理知识的不确定性的方法往往用香农信息熵来刻画，知识的粗糙性与信息熵的关系比较密切，知识的粗糙性实质上是其所含信息多少的更深层次刻画。单从这个角度来看，RS理论与信息论的关系就比较密切。 与D－S证据理论（续） 粗糙集理论中知识的不确定性主要由两个原因产生[2]： （2）来自于给定论域里粗糙近似的边界。当边界为空集时知识就是完全确定的，边界越大知识就越粗糙或越模糊。 至今，RS理论刻画概念X的不确定性用正则条件熵和粗糙性测度 来实现的。但这两个度量并没有完全提供哪些完全属于X的下近似的区域里面与不可分辨关系的知识粒度有关的不确定性，于是有人引进了粗糙熵Er（X）的概念来刻画概念X的不确定性，所以，寻求一个合适的度量来刻画知识的不确定性也是RS理论研究的一个重要方向[2,16]。 粗集理论的应用及发展前景 RS理论已经被证实在实践中是非常有用的。从大量的现实生活中应用的记录来看已经非常明显，这一理论对AI（人工智能）和认知科学尤为重要，在专家系统，决系表等方面都有有非常成功的应用实例。 利用Rough集理论处理的主要问题包括：数据简化（即删除多余的数据），数据相关性的发现，数据意义的评估，由数据产生决策（控制）算法，数据的近似分类等。 下面介绍两的应用和研究前景： （1）美国Kansas大学开发了基于RS方法学习的例子，并开发了基于Rough集方法的学习系统——LERS（Learning from Examples based on RS）。这个系统的知识获取项对于用不完全信息工作的专家系统，帮助其建立知识库是一个十分恰当的规则归纳法的应用实例，它在NASA’S Johnson空间中心应用了多年，充分显示了它在开发专家系统进行全球气候变化的研究中起的作用，它是作为一种开发专家系统的工具被引用的。 基于RS的典型系统 LERS可以从信息表形式中给定的实例导出一套规则集，并且可以利用这一套规则分类新的实例，LERS还被用于两项医学方面，其一用来比较手术后的病人取暖设备的效果，其二用来评估孕妇超强度劳动的危险。还有一种很重要的LERS用途是全球气候变化的研究，描述对全球气温有影响的规则由一些属性所表征的数据引出。如太阳的能量释放，火山活动、美国南部的指针摇摆器、二氧化碳流向和二氧化碳的余量。这方面的专家依据获得的新数据把握地球气候变化的奥妙。 基于RS的典型系统（续） Rough集理论之所以提供了AI的有效方法，是因为实现它的程序可以很容易在平行机上运行。且基于Rough集理论的Rough逻辑将使单调逻辑非单调化，从而在AI的近似或不精确推理中将发挥不可估量作用。 基于RS的典型系统（续） （2）Rough集方法用于决策分析已体现在波兰Poznan科技大学开发的计算机系统中，称之为Rough DAS和Rough Class，它们对任务分别执行解释和描述。这两个系统已经在许多实际领域都有应用。（ Rough DAS执行信息系统数据分析任务，Rough Class支持新对象的分类，这两个软件都是基于DOS操作系统的）[4]。 基于RS的典型系统（续） RS理论在AI中的应用 可分为两大类：有决策的分析，无决策的分析。 有决策的分析主要包括：监督学习与决策分析。 RS理论在监督学习中的应用可