粗糙集中不同粒度層次下的并行約簡及決策.pdf

1、隨著信息技術(shù)的不斷發(fā)展，數(shù)據(jù)總量迅速膨脹變大，且超過傳統(tǒng)數(shù)據(jù)庫系統(tǒng)駕馭數(shù)據(jù)的能力，人們對這類數(shù)據(jù)賦予了新的術(shù)語——大數(shù)據(jù)。伴隨著云時代的到來，大數(shù)據(jù)引起了人們廣泛的關(guān)注，如何有效的對大數(shù)據(jù)進(jìn)行挖掘和運(yùn)用已成為各個領(lǐng)域面臨的新挑戰(zhàn)。在數(shù)據(jù)挖掘領(lǐng)域?qū)Υ髷?shù)據(jù)進(jìn)行“加工”，也成為數(shù)據(jù)挖掘技術(shù)發(fā)展的一個必然趨勢。
　　粒計(jì)算作為人工智能領(lǐng)域的一個新理論和新方法，它是研究大數(shù)據(jù)挖掘和復(fù)雜問題求解的一個有力工具。目前，粒計(jì)算已被廣泛應(yīng)用在機(jī)器學(xué)

2、習(xí)和數(shù)據(jù)挖掘等領(lǐng)域。粒計(jì)算的主要模型有:粗糙集模型、模糊集模型、商空間模型和云模型。
　　粗糙集模型是粒計(jì)算的主要模型之一，能夠有效的處理不精確、不一致、不完備的信息與知識。然而，大部分粗糙集方法都是針對靜態(tài)數(shù)據(jù)模型提出的，如何對增量式數(shù)據(jù)、海量數(shù)據(jù)、動態(tài)數(shù)據(jù)或多源數(shù)據(jù)進(jìn)行分析處理，一直是數(shù)據(jù)挖掘研究領(lǐng)域的一個熱點(diǎn)，也是一個難點(diǎn)。在并行約簡提出前，用來處理增量式數(shù)據(jù)、海量數(shù)據(jù)、動態(tài)數(shù)據(jù)的粗糙集方法主要有:動態(tài)約簡，多決策表約簡。鄧

3、大勇提出的并行約簡理論為數(shù)據(jù)挖掘領(lǐng)域注入了新的血液，提供了一個新的研究方向。它將粗糙集理論從單個信息表或單個決策表推廣到多個，它的思想也更符合人類解決問題的思維習(xí)慣。并行約簡理論充分體現(xiàn)了粒計(jì)算的思想，本文在不同粒度層次上探討了不同的并行約簡算法。本文的主要工作如下:
　　(1)建立了F-粗糙集模型，并該模型下的重新定義了并行約簡。F-粗糙集模型的目的是為并行約簡建立粗糙集理論基礎(chǔ)。它是關(guān)于信息系統(tǒng)簇或者決策系統(tǒng)簇的粗糙集模型，也

4、是第一個能夠適應(yīng)增量式數(shù)據(jù)、海量數(shù)據(jù)、動態(tài)數(shù)據(jù)和多源數(shù)據(jù)的粗糙集模型，適合研究事物的動態(tài)變化。
　　(2)提出了代數(shù)論意義下的F-屬性重要度和F-簡化屬性重要度。兩種屬性重要度都定義在決策子系統(tǒng)簇這個粒度層次。F-屬性重要度統(tǒng)一了單個決策系統(tǒng)和多個決策子系統(tǒng)的屬性重要度的定義。當(dāng)決策子系統(tǒng)簇中只有一個元素時，F(xiàn)-屬性重要度就是單個決策系統(tǒng)中的屬性重要度。F-簡化屬性重要度則簡化了F-屬性重要度的計(jì)算，在計(jì)算時，不需要計(jì)算決策子系統(tǒng)

5、簇的正域變化，只需要判斷每個子表正域是否有變化。
　　(3)提出了與兩種屬性重要度相對應(yīng)的代數(shù)論并行約簡算法。與基于屬性重要度矩陣的代數(shù)論并行約簡算法進(jìn)行了對比分析，本文提出的算法在時間復(fù)雜度、空間復(fù)雜度、約簡長度、時間效率、分類準(zhǔn)確率、動態(tài)時間效率等方面都有所提高，尤其是基于F-簡化屬性重要度的并行約簡算法在時間效率上有著顯著的提高。
　　(4)定義了信息論意義下的F-屬性重要度。該定義同樣也涵蓋了單個決策系統(tǒng)到多個決策子