粗糙集的知識(shí)獲取方法研究.pdf

1、粗糙集理論是一種處理模糊和不確定性數(shù)據(jù)的數(shù)學(xué)工具。目前，已被成功地應(yīng)用于機(jī)器學(xué)習(xí)、決策分析、過程控制、模式識(shí)別與數(shù)據(jù)挖掘等領(lǐng)域。本文對粗糙集理論及應(yīng)用兩個(gè)方面進(jìn)行了深入地研究，給出了粗糙集上知識(shí)獲取的一些新的想法和方法。具體的研究內(nèi)容如下:
　　(1)在傳統(tǒng)的粗糙集中，利用確定度來評測決策規(guī)則的確定性，然而，當(dāng)擁有同一前提的多個(gè)決策規(guī)則出現(xiàn)相同的確定度時(shí)，對給定的對象進(jìn)行分類變得較為困難。本文依據(jù)決策規(guī)則的確定性在局部屬性集上的可

2、區(qū)分性，提出一種新的規(guī)則確定度，該確定度能充分反映決策規(guī)則的確定性在局部屬性集上的差異。另外，將該確定度與傳統(tǒng)規(guī)則確定度結(jié)合時(shí)，會(huì)對對象分類提供一種有效的決策支持。實(shí)例分析表明，這種新的確定度對決策規(guī)則有較好的評測效果;
　　(2)在屬性約簡研究方面，本文應(yīng)用知識(shí)距離來刻畫信息系統(tǒng)中屬性的重要性和不重要程度，提出了基于知識(shí)距離的兩種新的信息系統(tǒng)屬性約簡算法，其分別為自底向上和自頂向下的屬性約簡算法。實(shí)驗(yàn)結(jié)果表明該算法更加實(shí)用、易于

3、理解，能明顯地提高約簡的效率;
　　(3)通過討論信息熵與聚類之間的關(guān)系，證明了信息熵能夠更加有效地反映對象之間的距離以及類內(nèi)的相似程度，并提出了一種新的基于信息熵的聚類算法。該方法將粗糙集中的不確定性度量應(yīng)用于聚類分析，能對數(shù)據(jù)進(jìn)行有效的聚類。實(shí)驗(yàn)結(jié)果表明該算法相比其他傳統(tǒng)聚類算法，能夠更加有效地提高聚類精度。
　　最后，概括了本文的主要研究結(jié)果，說明本文工作的理論意義和應(yīng)用，指出有待進(jìn)一步解決的問題以及以后值得注意的研究