粗糙集理论及其应用与发展研究.docVIP

粗糙集理论及其应用与发展研究 　　摘要：粗糙集理论是一种研究不精确、不确定性、处理不完备知识的数学工具，目前被广泛应用于人工智能、模式识别、机器学习、决策支持和数据挖掘等领域。该文通过介绍粗糙集理论及特点，叙述了粗糙集理论在各领域的应用发展情况，并且展望了其未来发展趋势。 　　关键词：粗糙集；属性约简；粗糙集应用；数据挖掘 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)28-0172-03 　　Rough Set Theory and Its Application Research 　　WEI Liang 　　(Electronics and Information School, Tongji University, Shanghai 201804, China) 　　Abstract: Rough set theory is a math theory which processes non-accurate, uncertain and incomplete knowledge. Currently, it has already been applied successfully in the area of Artificial Intelligence, Pattern Recognition, Machine Learning, Decision Analyzing and Data Mining etc. This paper introduces the rough set theory and its characteristics, reviews the development of this theory in different fields, and suggests evolutional trend in the coming future. 　　Key words: rough set; attribute reduction; rough set application; data mining 　　1 引言 　　波兰数学家Pawlak于1982年提出的粗糙集理论是一种新的处理模糊和不确定性知识的数学工具[1]。其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。粗糙集理论能有效地分析和处理不精确、不一致和不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。以粗糙集理论为基本框架的知识发现过程的研究，越来越引起人们的关注，特别是将粗糙集理论与机器学习、模式识别、数据库理论等相结合，并融合其它有效的数学工具与方法的研究，显示出基于粗糙集理论的多种软计算方法相结合算法在知识发现和优化过程中的强大的优越性，为知识发现的理论基础提供了一定的依据。目前粗糙集理论已成为人工智能领域中一个较新的学术热点，引起了越来越多科研人员的关注。 　　2 粗糙集理论的基本概念 　　设U是非空有限论域，R是U上的二元等价关系，R称为不可分辨关系，序对A=(U,R)称为近似空间。?坌(x,y)∈U×U，若(x,y)∈R，则称对象x与y在近似空间A中是不可分辨 的。U/R是U上由R生成的等价类全体，它构成了U的一个划分。可以证明，U上划分可以 与U上的二元等价关系之间建立一一对应。U/R中的集合称为基本集或原子集。若将U中的 集合称为概念或表示知识，则A=(U,R)称为知识库，原子集表示基本概念或知识模块。任意有限的基本集的并和空集均称为可定义集，否则称为不可定义的。可定义集也称为精确集，它可以在知识库中被精确地定义或描述，可表示已知的知识。可以验证所有可定义集全体可构成 U上的一个拓扑。 　　令知识库K=(U,R)，集合X?哿U，R是一个等价关系： 　　■ 　　分别称RX为X的R下近似（Lower Approximation）和RX为X的R上近似（Upper Approximation）。称集合BNR(X)=RX-RX为X的R边界域；POSR(X)RX为X的R正域； NEGR(X)=U-RX为X的R负域。下近似RX包含了所有使用知识R可确切分类到概念X的元素。上近似RX则包含了所有那些可能是属于概念X的元素。概念的边界区域BNR(X)由不能肯定分类到这个概念X或其补集X中的所有元素组成。关系如图1所示。 　　刻画粗糙集的方法有以下两种：一种是用表示近似精度的数值表示粗糙集的数字特征；数字特征表示粗糙集边界域的相对大小，但没有说明边界域的结构。另一种是用粗糙集的拓扑分类表示粗糙集的拓扑特征。拓扑特征给出边界域的结构信息，但没有给出边界域大小的信息。 　　由等价关系R定义的集合X的近似精度如下： 　　■ 　　其中