物联网智能信息处理 课件 第四章 物联网的智能信息处理-第四节.pptx

物联网的智能信息处理13目录信息处理的定义与目标2信息的跨系统交互基于贝叶斯网络的神经网络法4粗糙集信息处理5信息融合技术4.4粗糙集信息处理4.4.1粗糙集的概述1.粗集理论的提出基本思路80’s 198219911992 1995第一本关于粗糙集理论的专著Pawlak等发表“Rough sets” 扩大了该理论的国际影响Pawlak提出了粗糙集理论的思想Pawlak发表《Rough sets》标志着该理论正式诞生第一届国际粗糙集理论研讨会应用领域从一系列已有数据中，寻找其规律或规则，预测问题的方向。知识发现、数据挖掘、模式识别、故障检测、医疗诊断等。4.4.1粗糙集的概述2.特点及用途 主要优点除数据集之外，无需任何先验知识（或信息）对不确定性的描述与处理相对客观与处理其他不确定性问题的理论有很强的互补性 粗集理论所处理的问题4.4.2粗糙集信息处理1.知识与等价类使用等价关系集R对离散表示的空间U进行划分，知识就是R对U划分的结果。知识等价关系集R中所有可能的关系对U的划分表示为：K = (U, R)知识库 等价关系： 设P?R， xi, xj ?U, 定义二元关系IND?P?称为等价关系：称xi, xj在S中关于属性集P是等价的，当且仅p(xi)=p(xj)对所有的p?P 成立，即xi, xj不能用P 中的属性加以区别。4.4.2粗糙集信息处理1.知识与等价类“信息系统”的形式化定义S = {U, A, V, f}U：对象的有限集A：属性的有限集，A=C∪D，C是条件属性子集，D是决策属性子集V： ， Vp是属性P的域f：U × A → V是总函数，使得 对每个xi ? U, q ? A, 有f(xi, q) ? Vq一个关系数据库可看作一个信息系统，其“列”为“属性”，“行”为“对象”。4.4.2粗糙集信息处理1.知识与等价类Eg.factweatherroadtimeaccident1misty（雾）Icy（有冰）dayyes2foggyicynightyes3mistynot icynightyes4sunnyicydayno5foggynot icyDusk（黄昏）yes6mistynot icynightnoU = {1, 2, 3, 4, 5, 6} R = { weather, road, time, accident }若P = {weather, road}，则[x] IND(P) = [x] IND{weather} [x] INP{road} = { {1, 3, 6}, {2, 5}, {4} } { {1, 2, 4}, {3, 5, 6}} = { {1}, {2}, {4}, {3, 6}, {5} }4.4.2粗糙集信息处理2.上近似与下近似在信息系统S = {U, A ,V, f}中，设X?U是个体全域上的子集，P?A，U基于P的划分是Y。则X的下和上近似集及边界区域分别为： X X X U4.4.2粗糙集信息处理2.上近似与下近似Eg.由R = {Headache, Temp.} 划分出来的等价类有:{u1}, {u2}, {u3}, {u4}, {u5, u7}, {u6, u8}.X2 = {u | Flu(u) = no} = {u1, u4, u5, u8}RX2 = {u1, u4} = {u1,u4,u5,u8,u6,u7} X1 = {u | Flu(u) = yes} = {u2, u3, u6, u7} RX1 = {u2, u3} = {u2,u3,u6,u7,u5,u8}4.4.2粗糙集信息处理3.近似精度设S = {U, A, V, f}为一信息系统，且X?U， P?A，则S上X的近似精度为： 注：card(X) 表示集合X中元素个数设S为一信息系统，P?A，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：4.4.2粗糙集信息处理4.分类质量由属性子集P?A确定的分类?的分类质量为 ： 分类质量表示通过属性子集P正确分类的对象数与 信息系统中所有对象数的比值。这是评价属性子 集P的重要性的关键指标之一。 4.4.2粗糙集信息处理5.属性约简 与 “核”属性约简(Attribute Reduction)：在一个信息系统S中，设?是S上的一个分类，经约简后的最小属性子集具有同原始属性集相同的分类质量，即存在R?P?Q，使得?R(?) =?P(?) ，称之为属性集P的?-约简，记作REDU?(P) 。所有?-约简的交集称为?-核，即CORE?(P) = ∩REDU?(P)，核是信息系统中一系列最重要的属性之一。4.4.3粗糙集在知识发现中的作用4.4.3