论文部分内容阅读
随着人工智能技术的迅猛发展,人们对数据的处理需求提出了更高的要求,如何从海量数据中获取有用信息一直是智能信息处理研究的热点。粗糙集理论是对数据智能处理的一种有效方法,其已在诸多领域有成功应用。本文主要针对双论域粗糙集模型不能处理模糊数据的不足,提出了基于模糊关系的双论域双量化和双论域变精度粗糙集模型,使得粗糙集理论具有更广泛的应用领域,为进一步揭示粗糙集模型的应用研究提供了理论依据。主要内容有以下几个方面:(1)在经典粗糙集、变精度粗糙集、程度粗糙集、双论域粗糙集等基础模型上,深入研究U×V和U到V两种类型双论域模型,通过引入双论域上的模糊关系,分别在U×V和U到V上定义了模糊序信息系统,根据两种模型的特征,在模糊序信息系统上建立不同的优势关系,构造了模糊序变精度粗糙集模型,对模型性质进行讨论。分别引入粗糙熵、组合熵和组合粒度对两种类型双论域模型不确定性进行度量,得出了随精度阈值β的变小,其粗糙度单调递增,粗糙集粗糙熵相应的单调递增;随属性集合的变细,构成的优势关系分类变粗,知识的粗糙熵单调递增,组合熵单调递减,组合粒度单调递增的结论,并用具体案例对模型和性质、结论进行验证。(2)在U到V型双论域上引入二元模糊关系,构造了U到V型双论域双量化“逻辑与”粗糙集模型,通过深入研究其模型结构和数学特性,得到了在模糊关系上模型和性质的一些有用结论,即随精度阈值β和程度阈值k的同时变小,其双量化上近似集合变细,下近似集合变粗,并用实例进行验证,使得双量化粗糙集模型具有更广泛的应用领域。(3)将U×V型双论域模糊序变精度粗糙集模型和程度粗糙集模型相结合,提出了基于模糊关系的U×V型双论域双量化“逻辑与”的粗糙集模型,并使用粗糙熵来对其不确定性进行度量,得出了随精度阈值β和程度阈值k的同时变小,粗糙集粗糙度单调递增,粗糙熵单调递减的结论,最后通过例子验证了性质和结论。基于模糊关系的双论域粗糙集模型可有效解决多个论域中包含模糊数据的情形,该模型理论具有较广阔的应用前景。