不确定理论和应用-粗糙集.pptVIP

条件属性集： 数学定义是：P={P1,P2,…,Pm} 解释：就是对象的各种属性总和（也就是数据库中的字段） Pm 就是这个对象的一个属性 基本集（基本粒度）： 定义：所有不可区分的对象形成的集合 解释：可区分（可分辨）：如果Ui ≠Uj 就称这两个对象在其条件P下是可区分的（对于两个不同的对象至少有一个属性是不同的）否则即为不可区分 例 对于上表来说，U中有四个对象（概念），而现在条件集合中只有一个属性，对于U1和U2来说，它们的p不同所以可以通过p来区分，即u1,u2在p下可区分；而U2和U3虽然是不同的对象但是在P下却是相同的，即在p下不可区分，就成为不可区分 不可分辨关系 设S = U, A。不可分辨关系IND(P)定义为: 不可分辨关系是一种等价关系，它是对称的，自反的，传递的。 论域 颜色 形状 玩具1 红色 圆的 玩具2 红色 圆的 玩具3 红色 方的 玩具4 红色 方的 玩具5 黄色 圆的 玩具6 黄色 方的 玩具1，玩具2 玩具3，玩具4 玩具5 玩具6 fact weather road time accident 1 misty icy day yes 2 foggy icy night yes 3 misty not icy night yes 4 sunny icy day no 5 foggy not icy dusk yes 6 misty not icy night no 不可区分关系（等价关系）示例 可知， U = {1, 2, 3, 4, 5, 6} R = 2{ weather, road, time, accident } 若P = {weather, road}，则 [x]IND(p) = [x] IND{weather} ? [x]IND{road} = { {1, 3, 6}, {2, 5}, {4} }?{ {1, 2, 4}, {3, 5, 6}} = { {1}, {2}, {4}, {3, 6}, {5} } 不可区分关系（等价关系）示例（续） 3.2 集合的上近似 下近似 在信息系统S = {U, Q, V, f}中，设X?U是个体全域上的子集，P?Q则X的下和上近似集及边界区域分别为： PX是X?U上必然被分类的那些元素的集合，即包含在X内的最大可定义集； X是U上可能被分类的那些元素的集合，即包含X的最小可定义集。 Bnd(X)是既不能在X?U上被分类，又不能在U-X上被分类的那些元素的集合。 粗糙集理论引入上近似和下近似来刻画知识的不确定性和模糊性。 下近似一定包含，上近似可能包含。 上下近似 ? 图6.1 集合的上、下近似概念示意 X 上、下近似关系举例： X1 = {u | Flu(u) = yes} = {u2, u3, u6, u7} RX1 = {u2, u3} = {u2, u3, u6, u7, u5, u8} X2 = {u | Flu(u) = no} = {u1, u4, u5, u8} RX2 = {u1, u4} = {u1, u4, u5, u8, u6, u7} The indiscernibility classes defined by R = {Headache, Temp.} are: {u1}, {u2}, {u3}, {u4}, {u5, u7}, {u6, u8}. 上、下近似集的图示： R = {Headache, Temp.} U/R = { {u1}, {u2}, {u3}, {u4}, {u5, u7}, {u6, u8}} X1 = {u | Flu(u) = yes} = {u2,u3,u6,u7} X2 = {u | Flu(u) = no} = {u1,u4,u5,u8} RX1 = {u2, u3} = {u2, u3, u6, u7, u5, u8} RX2 = {u1, u4} = {u1, u4, u5, u8, u6, u7} u1 u4 u3 X1 X2 u5 u7 u2 u6 u8 3.3 近似精度 分类质量 设S = {U, Q, V, f}为一信息系统，且X?U， P?Q，则S上X的近似精度为： 设S为一信息系统，P?Q，且令?={X1,X2, …, Xn}是U的一个分类（子集族），其中Xi?U，则?的P-下近似和P-上近似分别表示为： 分类?的近似精度为： 由属性子集P?Q确定的分类?的分类质量为 ： 分类质量表示通过属性子