2经典粗糙集理论.ppt

上一页 下一页 返回本章首页 粗糙集的基础理论和方法 上一页 下一页 返回本章首页 粗糙集方法与应用讲稿 * 2 粗糙集理论与方法 2.1 信息系统 设S=(U,A,V,f)为一个信息系统，也称为知识表示系统。其中，U={ U1,U2,U3,…,U|u|}为有限非空集合，称为论域对象空间；A={a1,a2,a3,…,a|A|}为属性的非空有限集合。若A中的属性又可分为两个不相交的子集，即条件属性集C和决策属性集D，A=C∪D,C∩D=φ ,则S也称为决策表。 V=∪Va 其中a∈A， Va为属性a的值域；f：U×A→V为信息函数，对于a∈A，x∈U，f(x,a)∈Va，它指定了U中每一对象的属性值。 2.2 不可分辨关系（Indiscribility relation 令a∈A，x∈U，f(x,a)∈Va；对于任一子集φ≠P A，在U上的不可分辨关系I定义为：I={(x,y)∈U×U：f(x,q)=f(y,q) q∈P} 若(x,y)∈I，则称x和y是不可分辨的。 2.2 不可分辨关系Indiscernibility relation 显然，这样定义的不可分辨关系是一个等价关系(自反 的、对称的、传递的）。 包含对象x的等价类记为I(x)。等价类与知识粒度的表达相对应，它是粗糙集主要概念，如近似、依赖及约简等，定义的基础 粗糙集的主要思想 粗糙集的主要思想是基于不可分辨关系，每一个对象与一些信息相联系，且对象仅能用获得的信息表示。因此，具有相同或相似信息的对象不能被识别。论域的不可分辨对象形成了不可分辨对象的聚类，即知识粒度。用于近似的知识将U划分为由条件属性集判断是不可分辨的对象元素集，元素集被视为用于近似的“知识粒度”；被近似的知识将U划分为由决策属性集生成的决策类，在此基础上，用一种知识近似另一种知识。 2.3 粗糙近似 2.3 粗糙近似 定义 给定一个信息系统（知识表示系统）S=(U,A,V,f)，A=C∪D 2.3 粗糙近似 集合X的下近似实际上是由那些根据已有知识判断肯定属于X的对象所组成的最大的集合，也称为X的正区,记作pos(X)； 集合X的负区neg(X)为根据已有知识判断肯定不属于X的对象组成的集合; 集合X的上近似由所有与X相交非空的等价类的并集组成，即那些可能属于X的对象组成的最小集合。 集合X的边界区bnd(X)为集合X的上近似与下近似之差，如果bnd(X)是空集，则称X关于I是清晰的；反之如果bnd (X)不是空集，则称集合X关于I是粗糙的。 2.4 粗糙隶属函数 2.4 近似精度与近似质量 2.5 算例 表1所示的关于全球变暖的一个信息系统, a1—太阳能(Solar energy)，a2—火山活动(Volcanic activity) , a3—二氧化碳含量（Residual CO2,），d—温度（Temperature） 2.5 算例 对论域进行划分，可得如下等价类 U/C={X1, X2, X3, X4, X5, X6} 其中：X1={n1}，X2={n2}，X3={n3}，X4={n4,n5,n6,n9}，X5={n7}，X6={n8} YH={n2,n3,n4,n5,n6, n8}，YL={n1, n7, n9} 2.5算例 X1={n1}，X2={n2}，X3={n3}，X4={n4,n5,n6,n9}，X5={n7}，X6={n8} YH={n2,n3,n4,n5,n6, n8}，YL={n1, n7, n9} 据此可求得粗糙近似如下: YH的下近似：apr(Yn)={{n2 }, {n3} ,{n8}} YH的上近似： {{n2 },{n3 }, {n8},{n4,n5,n6,n9}} YL的下近似：apr(YL)= {{n1}, {n7}} YL的上近似： {{n1},{n7},{n4,n5,n6,n9} } YL的分类精度=3/7=0.43 YH的分类精度=2/6=0.33 分类质量=5/9=0.56 ` 2.6 属性约简与核 2.6 决策规则 2.7 约简算法 2.7 约简算法 约简对于在模型中分类对象最终构建一系列规则是重要的，有关的文献探讨了约简的两个主要方面，一方面是为给定的系统寻找约简的问题，这个问题是一个NP完全问题，常见的约简算法有：快速约简、遗传算法、动态约简、相容性约简等。 2.8 算例 下面通过一个简单的例子说明，如表1所示，S=(U,A,V,f)，其中U={ n1, n2, n3, n4, n5, n6, n7},条件属性集C={a