粗糙集理论介绍解析.pptVIP

以 “肌肉痛＋体温”为例： X={P1,P2,P3,P6} I={{ p1} , {p2,p5}, {p3,p6}, {p4}} 可以处理不完整的数据的体现 RULE1 ： IF （肌肉痛＝是 )and( 体温＝高） THEN 患有流感 RULE2 ： IF （肌肉痛＝是 )and( 体温＝很高） THEN 患有流感 RULE3 ： IF （肌肉痛＝是 )and( 体温＝正常） THEN 没患流感 RULE4 ： IF （肌肉痛＝否 )and( 体温＝高） THEN 可能 返回 粗糙集理论介绍 问题的提出：知识的含糊性 术语的模糊性，如高矮 数据的不确定性，如噪声 知识自身的不确定性，如规则的前后件间的 依赖关系不完全可靠 不完备性，数据缺失 由此，提出了包括 概率与统计、证据理论： 理论上还难以令人信服， 不能处理模糊和不完整的数据 模糊集合理论： 能处理模糊类数据，但要提供隶属 函数（先验知识） 粗糙集理论： 能处理具有不精确性和不确定性的知 识 等各种理论和方法 模糊集和基于概率方法，有时需要一些数据的 附加信息或先验知识 , 如模糊隶属函数 , 基本概 率指派函数和有关统计概率分布等 , 而这些信 息有时并不容易得到 粗糙集无需提供问题所需处理的数据集合之外 的任何先验信息 , 所以对问题的不确定性的描 述或处理可以说是比较客观的 粗糙集理论的历史 20 世纪 70 年代 , 波兰数学家 Z. Pawlak 和一些 波兰科学院 , 波兰华沙大学的逻辑学家们 , 一起 从事关于 信息系统逻辑特性 的研究 . 1982. Z.Pawlak 发表论文“ Rough Set ” . 宣告 RS 的诞生 1991. Z.Pawlak 出版著作“ Rough Sets: Theoretical Aspects of Reasoning about Data ” 1992. 召开首次国际研讨会 , 应用专集 . 之后得到飞速发展 , 在数据挖掘 , 模式识别 , 粗 糙逻辑等方面取得较大进展 . 粗糙集理论是建立在 分类机制 的基础上的， 它将分类理解为在特定空间上的等价关系，而等 价关系构成了对该空间的划分。粗糙集理论将知 识理解为对数据的划分，每一被划分的集合称为 概念。 粗糙集理论的主要思想是利用已知的知识库， 将不精确或不确定的知识用已知的知识库中的知 识来 ( 近似 ) 刻画。 粗糙集理论的基本观点 Outline ： 粗糙集理论的基本概念 粗糙集理论的应用 （规则挖掘和属性约简） 其他 基本概念 1 信息系统 ，决策表 2 知识 3 等价关系 ，不可分辨关系与基本集 4 下、上 近似 正区域，负区域，边界域 5 粗糙度 6 粗糙隶属函数 基本概念（ 1 ） 信息系统 信息系统 是四元组 (U,Q,V,f). 其中 U 是对象集合 Q 是属性集合（包括条件属性 C 和决策属性 D) ， V 是属性的值域 f 是一种映射，反应对象集合之间的值 返回 U A1 A2 A3 A4 1 0 0 1 0 2 1 0 2 1 3 1 1 1 0 4 0 2 1 1 5 1 2 1 0 信息系统实例：其中 U ＝ {1 ， 2 ， 3 ， 4 ， 5} ； Q ＝ {A1,A2,A3,A4}; V=V A1 ∪ V A2 ∪ V A3 ∪ V A4 ＝ {0,1,2} f ，将对象属性映射到它的值域 基本概念（ 2 ）： 知识 RS 中，知识被认为是一种分类能力。人们的行为是基于 分辨现实的或抽象的对象的能力。那些根据事务的特征 差别将其分门别类的能力都可以看作是某种“知识”。 论域中相互间不可分辨的对象组成的集合。是组成知识 的颗粒（ granule ）。知识是有粒度的 . 粒度越小 , 能精确 表达的概念越多 . 粒度的形式表示 : 不可分辨关系 / 等价类 . 粒度是知识的最小单位。 返回 基本概念（ 3