粗糙集与模糊粗糙集属性约简算法研究-应用数学专业论文.docxVIP

重庆大学硕士学位论文中文摘要 重庆大学硕士学位论文 中文摘要 I I 摘 要 粗糙集（Rough Set）理论是一种主要处理不完整、不确定知识的数学工具， 是1982年由波兰数学家Z.Pawlak最早提出的。目前，粗糙集理论已广泛应用于数据 处理、智能控制、决策分析等领域。粗糙集属性约简是粗糙集理论研究的核心内 容之一，有许多学者致力于属性约简算法的研究。 人们研究的重点是以属性重要度作为启发式信息的属性约简算法。为此本文 定义了一种新的属性重要度，在此基础上，给出了粗糙集属性约简的一种新算法。 另外由于粗糙集的属性约简结果一般不唯一。许多属性约简算法将约简结果的评 判标准定为约简后属性数最少，或者是得到的规则最简，或约简量最大。但属性 子集中各个属性间的相关性也很重要。基于这种思想，本文采用属性相关性去衡 量属性子集中属性间的相关程度，并选择平均相关性最小的属性集为最佳约简结 果。 属性约简算法大都建立在条件属性对决策属性的信息量基础之上的，它们的 出发点都是一样的，只是采用的标准有所不同。近年来，有些学者提出新的属性 约简定义，即：基于系统熵的属性约简定义。他们认为只关心条件属性的分类能 力是不够的，决策属性的分类能力也应该充分考虑。这种属性约简定义同时考虑 到了条件属性和决策属性的分类能力，是一种较为周全的属性约简模型。本文从 系统熵的角度出发，改进了原先的属性重要度定义，给出了新的属性重要性的度 量方法，并构造了相应的启发式算法。模糊粗糙集是粗糙集的重要延伸。所以对 模糊粗糙集属性约简的研究就显得十分有必要。本文提出一种基于系统熵的模糊 粗糙集属性约简算法。 最后，基于优势关系的粗糙集模型，是粗糙集的重要拓展。针对优势关系下 的正域约简，本文提出一种改进算法，即差别矩阵法。它能得到和基于属性重要 度算法一样的约简结果。 关键词：粗糙集，模糊粗糙集，属性约简，差别矩阵 重庆大学硕士学位论文英文摘要 重庆大学硕士学位论文 英文摘要 II II ABSTRACT Rough set theory is a mathematic tool of dealing with undesigned, half-baked knowledges. It is contrived by Polish mathematician Z.Pawlak in 1982. Now, it is comprehensively used in data mining, intelligent control, pattern recognition and so on. Attribute reduction is one of nuclear contents of Rough set theory. Many scholars apply themselves to researching the algorithm of Rough set attribute reduction. At present, the algorithm of Rough set attribute reduction using attribute significance as heuristic information is the keystone of investigators. So a new attribute significance was given firstly. And then, a new Rough set attribute reduction algorithm was given. In addition, the result of Rough set attribute reduction is not sole. Many attribute reduction results are likely to exist simultaneously. Now, many attribute reduction algorithms define the best reduction algorithm by the least of reduction results. But the correlation of attribute subsets is also important. Based on these views, this paper using attribute relevance weigh the correlation of attribute. And then we choose the least medial relevance result as the final attribu