泛權多粒度粗糙集模型擴展研究.pdf

1、在多粒度粗糙集模型的基礎上，通過引入泛系算子將任意二元關系轉化為等價關系，提出泛系并聯(lián)粗糙集模型。然而在決策時，泛系并聯(lián)粗糙集模型存在以下三個缺陷：泛系析取并聯(lián)粗糙集模型的下近似條件過于寬松，泛系合取并聯(lián)粗糙集模型的下近似條件過于嚴格；沒有考慮各粒度空間的不平等性；容易受到噪聲數(shù)據(jù)的影響。針對上述三個問題，將對泛系并聯(lián)粗糙集模型做進一步的擴展研究。從粒度數(shù)量、粒度質量、容錯性三個角度結合可變精度、泛權、概率縱向地對泛系并聯(lián)粗糙集模型進行

2、擴展，并將擴展模型與模糊聚類算法相結合，用以解決聚類結果的邊界模糊問題。
　　首先，基于粒度數(shù)量上的考慮，引入可變精度的概念，利用參數(shù)β調控滿足下近似集合的粒結構數(shù)目，提出了可變精度泛系并聯(lián)粗糙集模型。其次，基于粒度空間之間的不平等性考慮，在可變精度泛系并聯(lián)粗糙集模型的基礎上引入泛權的概念，提出泛權可變精度泛系并聯(lián)粗糙集模型。該模型客觀地評估量化各粒度空間的重要度，計算其泛權值。然后，基于對容錯性的考慮，在泛權可變精度泛系并聯(lián)粗糙

3、集模型的基礎上引入統(tǒng)計概率的思想，利用條件概率來定義上、下近似集合，提出了泛權可變精度泛系并聯(lián)概率粗糙集模型。最后，將泛權可變精度泛系并聯(lián)概率粗糙集模型與模糊聚類算法相結合，給出了一種改進算法，該算法借助上、下近似集合來表示聚類結果，用來解決聚類結果邊界模糊問題。通過將該算法與K均值算法和模糊C均值算法進行對比，驗證了該算法可以有效提高聚類結果的正確率。
　　針對模型中的參數(shù)，將結合貝葉斯決策、損失函數(shù)等方法客觀合理地獲?。会槍α?/p>

4、度約簡算法，將結合啟發(fā)式算法得到更加高效的粒度約簡算法。
　　通過對泛系并聯(lián)粗糙集模型的擴展，可以使其更好的適應分布式信息系統(tǒng)以及復雜系統(tǒng)，有效、合理地從多個角度對問題進行決策分析及規(guī)則提取。
　　引入?yún)?shù)β來控制滿足下近似條件的粒度空間數(shù)目；引入信息熵和泛系相關理論客觀地評估各粒度空間的重要度；結合統(tǒng)計概率的思想，使各個粒度空間具有對噪聲數(shù)據(jù)的容錯性；利用泛權可變精度泛系并聯(lián)概率粗糙集來改進模糊聚類算法，通過引入上下近似的