导读:本文包含了粗糙集扩展模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:粗糙,精度,邻域,模糊,理论,度量,公理化。
粗糙集扩展模型论文文献综述
杨斌[1]（2018）在《模糊覆盖粗糙集及其扩展模型研究》一文中研究指出覆盖粗糙集作为经典粗糙集的一种推广,在不完备信息系统的数据预处理、属性约简等问题上有着重要的应用.模糊覆盖是经典集上的覆盖在模糊集上的一种自然推广.因此,模糊覆盖粗糙集的研究为模糊信息系统中数据预处理和属性约简等问题提供了理论上的依据.本文在模糊覆盖近似空间中基本定义和性质研究的基础上,主要研究了模糊覆盖粗糙集及其扩展模型.本文主要工作有以下几个方面:(1)研究了模糊覆盖近似空间中的一些基本概念及其性质.首先,将经典覆盖上的邻域系统、最小描述和最大描述等概念推广性地定义在模糊覆盖上,得到模糊覆盖近似空间中的一些基本概念.其次,通过模糊集合的交、并、补等运算,定义了几类模糊覆盖近似空间中的邻域算子,研究了这些邻域算子的基本性质及其相互之间的关系.此外,利用邻域算子可以定义出几类模糊覆盖.很自然地,考虑了这些邻域算子导出模糊覆盖与原模糊覆盖之间的关系.最后,分别考虑了两个模糊覆盖产生相同最小描述、最大描述、邻域系统等的充分必要条件.(2)基于最小描述的概念,提出了一类模糊覆盖粗糙集模型.首先,研究了这类模糊覆盖粗糙集模型的一些基本性质.其次,给出了这些模糊覆盖粗糙近似算子的矩阵表示和公理化刻画.模糊覆盖块的冗余问题是模糊覆盖粗糙集研究的一个重要内容.基于此,考虑了两个模糊覆盖产生相同的模糊覆盖粗糙近似算子的充分必要条件.最后,将这类模糊覆盖粗糙集模型进一步推广在模糊格上.(3)基于模糊覆盖上的邻域算子,提出了几类模糊覆盖粗糙集模型.首先,研究了这几类模糊覆盖粗糙集模型的一些基本性质.其次,给出了这几类模糊覆盖粗糙近似算子的矩阵表示和公理化刻画.此外,考虑了两个模糊覆盖产生相同的模糊覆盖粗糙近似算子的充分必要条件.特别地,对这几类基于邻域算子的模糊覆盖粗糙集模型进行了对比研究.(4)研究了基于两个不同论域上的模糊覆盖粗糙集模型.首先,基于Zadeh扩展原理给出了一类基于两个不同论域上的模糊覆盖粗糙集并研究了其基本性质.其次,给出了这类模糊覆盖粗糙近似算子的矩阵表示.此外,考虑了两个模糊覆盖产生相同的模糊覆盖粗糙近似算子的充分必要条件.特别地,可以应用这类模糊覆盖粗糙集模型解决多标准决策问题中的属性约简.信息识别和交互在信息技术领域有着重要作用.基于此,考虑将双论域模糊覆盖粗糙集应用到模糊信息系统交互的问题中.(5)考虑了模糊覆盖粗糙集在剩余格上的一些推广.剩余格是一种重要的数学结构.由于在多值推理中,剩余格上的运算对多值推理的实现至关重要.所以,将模糊覆盖粗糙集推广到剩余格上是一个很重要的理论研究方向.首先,给出了几类模糊覆盖粗糙集在剩余格上的推广模型并研究了其基本性质.其次,研究了这几类模糊覆盖粗糙近似算子的矩阵表示、公理化刻画以及依赖性。(本文来源于《武汉大学》期刊2018-05-15）
包艳玲[2]（2018）在《四种粗糙集扩展模型的研究》一文中研究指出粗糙集理论作为一种强大且高效的处理不确定性问题的工具,被成功应用到许多实际问题的解决中,例如数据挖掘、决策分析、智能控制、模式识别等领域.相对其他处理不确定性问题的数学工具而言,粗糙集只通过数据本身而无需提供任何先验信息就可以获得数据之间的相关性进而实现规则获取,而模糊集和证据理论则需要隶属度和概率赋值信息.所以,粗糙集处理问题相对更客观.另一方面,由于粗糙集理论中不包含处理不精确或不确定原始数据的机制,因此与概率论、模糊数学、证据理论等不确定或不精确信息处理工具有很强的互补性.从而,粗糙集与其他代数结构或数学工具结合得到的扩展模型可以更广泛地应用到现实生活中.目前,关于粗糙集理论的研究方法主要有两种,即构造化方法和公理化方法.构造化方法主要研究粗糙集在实际问题中的应用,而公理化方法致力于探索粗糙集模型的内在性质.本文主要分为叁部分.第一部分,研究基于剩余格的L-模糊粗糙近似算子的单公理刻画.第二部分,结合概率论思想,分别从构造化和公理化角度探索多标记决策粗糙集.第叁部分,把中智集思想引入到粗糙集中,基于单值中智逻辑算子,从逻辑视角定义单值中智粗糙集,并研究其基本性质和公理化刻画.同时,建构了基于区间中智关系的广义区间中智粗糙集,并进一步展示其在决策问题上的具体应用.本文共分五章:第一章简要回顾粗糙集,剩余格,多标记信息表,单值中智集,区间中智集的相关概念和基本性质.第二章研究基于剩余格的L-模糊粗糙近似算子的公理刻画.首先成功完成了用一个公理来刻画一般L-模糊关系下产生的L-模糊粗糙近似算子.并且,通过分析特殊的L-模糊关系与L-模糊粗糙近似算子的联系,进而得到串行的,自反的,对称的,传递的L-模糊关系产生的模糊粗糙近似算子的公理刻画.最后分别探索自反且对称、自反且传递、对称且传递的L-模糊关系诱导的L-模糊粗糙近似算子的单公理刻画.由于粗糙集与模态逻辑之间的紧密联系,公理刻画为构造和研究各种模糊模态逻辑提供更方便的方法,从而为人工智能发展提供更丰富的理论基础.第叁章基于多标记信息系统研究多标记决策粗糙集.因为决策者经常从一个属性的多个尺度出发分析一个对象,从而多标记信息表在决策问题中占有至关重要的地位.同时,决策粗糙集为决策问题的解决提供了独特的视角.在此将决策粗糙集思想应用到多标记信息表中,从整体角度出发:提出算术平均多标记决策粗糙集和加权平均多标记决策粗糙集.从局部角度出发,提出了多标记决策的保守和冒险思想,进而详细阐述四个模型—保守接受且冒险拒绝,保守接受且保守拒绝,冒险接受且冒险拒绝,冒险接受且保守拒绝.此外,详细具体分析所有多标记决策粗糙近似算子的基本性质.最后,用一个实际应用例子来验证所提出模型的可实施性和有效性.第四章在单值中智集框架中引入单值中智逻辑算子,进一步基于单值中智模和单值中智蕴涵研究单值中智粗糙集.首先,从构造法的角度提出由单值中智蕴涵:I和单值中智模N定义的(I,N)-单值中智粗糙近似算子,进一步研究近似算子的基本性质和特殊的单值中智关系与近似算子之间的联系.从公理化刻画角度,系统阐述了(I,N)-单值中智粗糙近似算子的公理化刻画.特别地,采用不同公理集刻画(I,N)-单值中智粗糙近似算子的不同内在属性,即不同类型的单值中智关系产生的近似算子对应不同的公理集.第五章从构造化角度和公理化刻画角度探索区间中智集和粗糙集的混合模型.一方面,从构造化角度定义基于区间中智关系的广义区间中智粗糙近似算子.并且,研究特殊的区间中智关系与广义区间中智近似算子的联系.另一方面,探索广义区间中智近似算子的公理化刻画,不同公理集对应不同类型的区间中智关系使得产生相同的广义区间中智粗糙近似算子.为了将广义区间中智粗糙集广泛应用到实际问题中,提出双论域的区间中智粗糙近似算子及其在多属性决策问题中的算法,并且引入一个多属性决策问题来验证算法的可靠性.(本文来源于《陕西师范大学》期刊2018-05-01）
卢克文[3]（2018）在《概念漂移探测与粗糙集模型扩展的研究》一文中研究指出互联网技术日益发展的情形之下,研究者们对于数据探索方面的激情愈加浓烈。“概念漂移探测”作为目前热门的一个研究方向,越来越被相关行业人员关注。概念漂移的现象和许多不确定性变化存在于大数据、数据流中。数据异构性是大数据中一种潜在的特性,目前相关研究大多数局限于同构数据方面,并没有从真正意义上考虑到异构数据(条件属性集不同)概念漂移的情况,很少使用真实的实验数据来佐证相应文章的观点。粗糙集理论的研究重点之一是不确定性分析。除F-粗糙集模型之外,现存的粗糙集理论模型几乎是静态或半静态的,而这些模型大多数能够适用于各种不确定性的研究,但在处理这些不确定性所带来的改变时却无法被用在探测概念漂移之上。本文的研究内容为:一方面针对异构数据的研究,探讨了粗糙集属性约简的本质,提出了概念属性约简的定义,兼容了 Pawlak约简、值约简以及并行约简。研究了概念属性约简的性质,提出了异构数据的属性约简方法和概念漂移探测方法。文章中还针对异构数据概念漂移的研究进行了实验验证,通过现实生活中真实有效的异构数据来完善文章中的观点,理论分析以及实验操作来佐证文中方法的有效性,这为粗糙集与粒计算融入大数据时代潮流提供了一种崭新的方法。另一方面本文结合了粗糙集、概念漂移、粒计算、数据流及F-粗糙集基本思想与性质,利用粗糙集中的上近似、下近似作为基础给出了全粒度粗糙集的完整定义,同时定义了上近似概念漂移、下近似概念漂移、上近似概念耦合、下近似概念耦合等内容,同时详细地探讨了其性质,分析了概念在知识系统内的全局变化。本文论述了概念在知识系统内可能存在的变化时,使用上近似簇、下近似簇作为理论工具。概念在不同情况下的同一性与差异性则是从图形的角度进行描述,同时还提出了决策表中的全粒度正区域概念漂移并且研究了其相关性质。在全粒度粗糙集的基础上又提出了全粒度绝对约简、全粒度值约简、全粒度Pawlak约简并且讨论了它们的相关性质。还探讨了属性约简的优势与弊端,发现属性约简会使得概念的表示变得异常单一,冗余属性则会使得概念表示变得更加丰富多样性。本文从认知论的角度结合粗糙集等基本工具分析了人类认识世界的局部性与全局性。全粒度粗糙集在某些特定背景之下还可以隐含的表示人类在认识方面的复杂多样性、不精确性、层次性和动态性。对于全粒度粗糙集的提出及研究其概念漂移性质可以对模拟人工智能提供一定的帮助。本文的创新点归纳如下:1.提出了概念(概念簇)的属性约简,兼容了值约简、Pawlak约简和并行约简,使得属性约简不仅仅可以针对结构相同的数据而且可以非常方便地在异构数据上实施。2.提出了异构数据概念漂移探测方法,定义了质概念漂移和量概念漂移,同时给出了计算方法。3.提出了全粒度粗糙集的概念及表示形式,使用图形的方式刻画全粒度粗糙集,并且研究了全粒度粗糙集中的概念漂移。(本文来源于《浙江师范大学》期刊2018-03-11）
汪杰[4]（2018）在《基于邻域粗糙集的模型扩展和算法研究》一文中研究指出粗糙集理论是波兰学者Pawlak于1982年提出的一种能够有效进行不确定信息处理的重要数学工具。目前已经大量应用在数据挖掘、人工智能、模式识别等研究领域。随着科学的发展和自动化程度的提高,许多应用领域中都出现规模庞大且种类复杂的信息系统,这些信息系统中包括符号型和数值型等各种类型的数据。经典粗糙集只能处理符号型数据,不能处理其它类型数据。针对这一情况,专家学者将经典粗糙集进行了扩展,其中邻域粗糙集是重要的扩展之一。邻域粗糙集基于邻域关系,通过粒化的方式将类似的对象划为一类,可以有效地处理数值型数据。随着科学技术的不断进步,在数据智能化处理的研究中也出现了许多新问题。在邻域粗糙集的进一步研究与应用过程中也带来了很多新的挑战。例如,如何用邻域粗糙集解决不一致和不完备邻域决策系统中的问题;如何定义一个更适合处理数值型数据的不确定性度量函数;如何设计一个更加高效地属性约简算法等等。针对这些问题,本文以邻域决策系统为研究对象,以邻域粗糙集的模型扩展和以此为基础的属性约简为研究目的。具体研究内容概括如下:(1)本文首先分析了邻域粗糙集处理不一致邻域决策系统的不足之处,为了更好的处理不一致数据,建立了不一致邻域粗糙集模型。接着考虑到经典的不确定性度量方法难以应用到不一致邻域粗糙集模型中,结合模型特点给出了邻域条件熵的启发式函数,并证明其符合不确定性度量的基本条件。同时考虑到条件属性之间的关联程度也会影响约简结果。针对这一情况,本文引入秩相关系数的知识,提出了基于相关系数的属性约简算法。最后通过实验与其它算法进行对比,结果表明了本文所提模型和算法的有效性。(2)不完备的邻域决策系统可能会导致信息出现新的不协调,近些年来,专家学者已经提出了很多方法处理不完备数据,其中,很多研究进行距离度量时没有考虑到已有数据中潜在的信息,具有一定的局限性。针对这一局限,本文分别对数值型和符号型数据构造了新的距离公式,并在这一过程中充分考虑了数据的分布特征对距离的影响,在此基础上建立了不完备邻域粗糙集模型,并进行了实例分析证明所提模型的科学性。接着分析了基于代数和基于信息熵的不确定性度量方法各自的优点和不足之处,结合两者的优点,提出了邻域混合熵的启发式函数用来进行不确定性度量;然后,提出了基于邻域混合熵的属性约简算法。最后通过实验具体说明了该模型在属性约简、分类性能方面的优越性。本文的创新点主要包括以下几点:(1)构造了不一致邻域粗糙集模型可以有效处理不一致数据;在此基础上提出邻域条件熵的度量函数;提出了基于相关系数的属性约简算法,该算法中引入秩相关系数的概念度量属性之间的关联,能够进一步剔除冗余属性。(2)考虑了不完备邻域决策系统中已有数据的分布特征,针对数值型和符号型属性设置不同的距离公式,建立了不完备邻域粗糙集模型;结合了基于代数和基于信息熵的启发式函数各自的优点,建立了一种新的不确定性度量函数:邻域混合熵;提出了基于邻域混合熵的属性约简算法,可以有效地剔除冗余属性并获得较好的分类精度。(本文来源于《安徽大学》期刊2018-03-01）
靳永飞[5]（2017）在《优势关系粗糙集的扩展模型及快速约简方法》一文中研究指出在基于优势关系的粗糙集理论中,优势关系要求“对象x优于y当且仅当对象x在每个属性上均优于对象y”。当属性个数较多时,这种优势关系的定义会导致对象的优势集偏小,影响到规则的提取和决策结果。此外,为了从复杂的基于优势关系的信息系统中获取简洁的规则,就必须对系统进行知识约简。因此有必要对优势关系粗糙集建立扩展模型以及进行相应的快速约简方法的研究。我们的主要工作如下:一方面,为了放松原始优势关系的定义,我们采用引入参数的方法扩展了传统优势关系的概念,即认为“如果一个对象x在‘大多数’属性上优于另一个对象y,则称x优于y”。在此基础上,我们进一步给出了扩展后的优势集和近似集的概念,并结合变精度的思想建立了扩展优势关系下的变精度粗糙集模型。由于能够从数据中提取更多有用的信息,该模型相比传统的优势关系粗糙集模型,表现出更好的分类精度。另一方面,在多准则分类问题中,考虑条件属性是有序的而决策属性是符号值的情况。我们在这样的信息系统上进行研究。针对优势关系粗糙集模型的约简效率低的问题,我们引入“Positive approximation”的思想,给出了新的正域逼近、属性重要度的定义和相应的理论结果。在此基础上,针对正域约简、相容约简、分布约简和最大分布约简,提出了相应的快速属性约简方法,使得搜索空间在约简过程中逐渐缩小。最后在UCI数据集上的实验表明,该方法在与相应原始方法保持相同约简集的情况下,明显减少了时间耗费,提高了约简效率。(本文来源于《河北大学》期刊2017-06-01）
丁华,邓金涛,杨兆建,刘建成[6]（2017）在《基于粗糙集扩展模型的采煤机设计领域知识获取》一文中研究指出为实现经验知识的获取与重用,分析了面向产品实例的经验性知识获取策略,研究了基于粗糙集扩展模型的采煤机设计领域知识获取方法,对改进后的算法进行试验验证,结果表明,该方法有效解决了经典粗糙集理论与广义邻域粗糙集模型无法处理的混合数据模式的决策系统问题。结合采煤机方案设计中的总体参数确定过程,构造了采煤机总体技术参数知识获取模型。经实例验证,该模型能够有效进行属性约简和规则提取,为进一步知识推理奠定了推理基础。(本文来源于《机械设计》期刊2017年05期）
张佩[7]（2017）在《粗糙集扩展模型的相似性度量与聚类分析》一文中研究指出随着计算机技术、网络技术、信息技术的飞速发展,数据在人们生活中所占的比重越来越大,但是怎样能从这些数据中挖掘出对人类生产生活真正有用的信息呢?这个问题受到越来越多的关注。粗糙集是数据挖掘中一种研究不确定性问题的数学工具,是目前人工智能理论及其应用领域中的研究热点之一。如今粗糙集理论在许多领域都得到了成功的应用,但粗糙集理论仍有一些问题值得进行更深一步的研究,如粗糙集本身没有确定如何建立一个精确集合作为目标集合的最优近似集,没有给出如何计算目标集与其近似集之间模糊相似性的方法,以及经典粗糙集理论应用于数据挖掘的聚类中存在一定的局限性等,本文主要针对粗糙集中存在的以上几个问题进行了研究:首先,对于经典粗糙集只能通过两个清晰的边界(即上近似集和下近似集)作为目标集合的近似集,并没有明确给出在现有的知识粒中如何确定不确定目标集合的近似集的方法,针对这些问题引入了粗糙集的一种扩展模型——粗糙集的近似集模型。在本文中,用经典度量相似性的方法——欧式距离来计算目标集合与其近似集之间的模糊相似性,随后具体的分析了0.5-近似集的特征和性质,结果表明0.5-近似集是所有可定义集合中目标集合的最优近似集。其次,本文详细分析了数据挖掘中目前比较经典的相似性度量方法并分别说明在何种情况下使用哪类相似性度量方法比较合适。在数据挖掘领域,相似性度量是解决很多问题的基本条件。如在粗糙集近似集的研究中,相似性度量是最终确定该方法能否精确刻画目标集合的近似集的基础。而在数据挖掘的分类或聚类问题中,相似性度量也是研究该问题的基础条件。因此在本文中首先总结了目前数据挖掘中经典的相似性度量方法并且说明在不同的数据集或要完成不同目标的情况下应该选择哪类相似性度量方式。最后,针对粗糙集的另一种扩展模型——变精度粗糙集,本文开展了关于变精度粗糙集对于数据挖掘中聚类方法的实际应用研究。数据挖掘中传统的模糊聚类算法对于噪声点比较敏感,从而造成聚类的精度不高,针对此问题本文提出了一种基于变精度粗糙集的模糊聚类算法,此算法根据粗糙集的原理将待划分的数据元素分别划分到正域、负域和边界域叁个域中,然后根据变精度的思想和数据特征确定阈值,再将边界域中的元素进行划分。最终通过仿真实验对该算法进行了实验和分析,表明该算法可行有效,进一步促进了粗糙集扩展模型的发展和应用。(本文来源于《重庆邮电大学》期刊2017-05-18）
赵静[8]（2017）在《复合粗糙集扩展模型及其应用》一文中研究指出复合粗糙集模型是一种用于处理复合信息系统中不精确、不确定、不完备、不一致信息的数据分析工具。复合粗糙集模型适用于同时包含多种数据类型的复合信息系统,有很好的应用前景。因此,在目前,复合粗糙集成为了数据挖掘领域众多学者关注的一大热点问题。然而,复合粗糙集模型存在一些缺陷,一方面,复合粗糙集模型缺乏对噪声数据的适应能力,另一方面,复合粗糙集模型只能对论域进行划分。本文针对复合粗糙集模型的这些不足之处,分别将复合粗糙集模型与变精度粗糙集模型、覆盖粗糙集模型结合在一起,提出了复合粗糙集模型的叁种扩展模型,即变精度复合粗糙集模型、复合覆盖粗糙集模型、多变精度复合粗糙集模型,并对每一个扩展模型进行了系统的研究。具体研究内容如下:(1)由于复合信息系统中存在噪声数据,同时,复合粗糙集模型对近似边界要求严格等问题,所以,本文通过引入阈值参数,构造出了变精度复合粗糙集模型,同时,该模型的相关概念及性质相继给出并得到证明,最后,该模型在复合信息处理中的应用通过实例得到验证,从而指出了该模型具有一定的容错性,使得抗干扰能力得到增强,应用范围也进一步扩大。(2)由于变精度复合粗糙集模型所有属性采用同一个阈值参数,导致该模型缺乏灵活性,为此,通过对复合信息系统的各个不同属性集分别引入不同的阈值参数?_i(0??_i(27)1),(i(28)1,2,...),可对每类属性集进行相应的变精度粗糙集操作,然后,通过对各个属性集执行相应的变精度粗糙集操作,同时,将操作结果组合起来取交集,于是,多变精度复合粗糙集模型被提出,同时,与之相关的概念及性质也相继被提出。在此基础上,将多变精度复合粗糙集模型运用于复合信息系统,进一步用实验数据证明了该模型的灵活性得到增强。(3)针对覆盖粗糙集模型仅适用于单一数据类型的论域覆盖及复合粗糙集模型仅能构成论域上的划分等问题,首先通过建立多种覆盖关系(邻域覆盖、集值覆盖、区间值覆盖等)提出复合覆盖粗糙集模型,同时给出该模型的相关概念及性质;然后,复合覆盖粗糙集模型在复合信息系统中的应用通过实例得以说明,实例也进一步验证了该模型更符合实际情况,更具有实用性。(本文来源于《西北师范大学》期刊2017-05-01）
李丽[9]（2017）在《泛系并联粗糙集模型的扩展》一文中研究指出目的——在实际问题中,泛系并联粗集模型不能解释日常生活中的一些复杂概念;它过分地要求对象之间存在相异性,而忽略了对象之间有时候存在相似的情况;它不能解决对象之间本质上没有等价关系的问题。为了解决上述这些问题,本文从粒计算结构的角度来分析现实世界的事与物,通过引入粒度思想对泛系并联粗糙集模型进行了理论延伸。方法——在粒计算多视角多层次的基础上,通过结合离散数学中范式逻辑理论、泛系理论中数理化公式和粒计算中覆盖近似空间等理论,从划分的逻辑关系、关系弱化和近似空间叁个方面横向地对泛系并联粗糙集模型进行扩展。研究结果——首先,从逻辑关系方面进行扩展,采用析取和合取这两种逻辑关系的复合方法,将简单概念复合成复杂概念,提出了泛系复合并联粗糙集模型;其次,从关系弱化方面进行扩展,将多个等价关系放松到多个相容关系,得到了泛系并联相容粗糙集模型,基于对象间相似性这一点,可以通过多个相容关系的并集来刻画一个目标概念,得到了近似精度更高的模型——关系并联相容粗糙集模型,通过实例给出这两种模型之间的关系;最后,从近似空间方面进行扩展,将划分放宽至覆盖,提出了泛系并联覆盖粗糙集模型。另外,从数量的角度,引入参数β来控制粒结构的数目,提出了一种可变泛系并联覆盖粗糙集模型,通过调节β的值可兼有泛系析取和泛系合取并联覆盖粗糙集模型的特点。同时,给出了一种以粒度的信息量为启发因子的粒度约简算法,并通过应用实例验证了该算法的有效性和合理性。研究的局限性——(1)从容错性方面,可以将概率的思想融入到泛系并联粗糙集模型中;(2)从实用性方面,可以在泛权场、泛权网的信息系统下来研究泛系并联粗糙集模型。实际影响——通过对泛系并联粗糙集模型进行扩展,可以使其有效地处理复杂系统,同时,也可以更好地分析和处理分类决策问题。独创性——利用离散数学中的范式逻辑理论对泛系并联粗糙集模型进行扩展,得到泛系复合并联粗糙集模型;结合泛系理论的数理化公式,得到一种近似精度更高的关系并联相容粗糙集模型;在覆盖近似空间下讨论泛系并联粗糙集模型。(本文来源于《兰州大学》期刊2017-03-24）
严胡勇[10]（2017）在《扩展粗糙集模型及其在水质富营养化评价中的应用研究》一文中研究指出粗糙集是波兰学者Z.Pawlak教授提出的用于研究不完整、不确定知识和数据的表达、学习、归纳的一套理论方法。自1982年粗糙集被提出之后,无论是在理论研究方面,还是在应用实践方面,都取得了很大的进展。然而,经典粗糙集理论中的离散化处理、知识约简以及规则知识提取与推理决策,在实际应用中都存在着一定的局限性,如:传统离散化算法普遍存在着直观性较弱、离散化区间的划分不稳定问题;在不完备信息系统中难以满足传统粗糙集的等价关系约束条件,而且抗噪声能力较弱;传统的串行知识匹配效率较低;经典粗糙集用等价类的思想,通过上、下近似两个集合来定义一个不可定义的静态不确定集合X,难于处理动态信息系统中的动态数据挖掘和动态知识发现问题。本文针对这四个局限性,结合水质富营养化评价这一生态环境领域的典型应用问题,开展扩展粗糙集模型研究,取得的主要创新成果如下:1.提出了基于叁原色的可视化离散化算法针对传统离散化算法处理二值对象时存在的直观性较差、离散化后信息有缺失以及过度离散化造成计算复杂度高等问题,借鉴色彩学里的叁原色原理,提出了一种基于叁原色的可视化离散化算法。在UCI公共数据集上进行的对比实验测试结果表明,该算法不仅实现了稳定、准确的数据离散化,而且表现出了较好的直观性与分类效果。2.提出了基于差异关系的不完备目标信息系统变精度粗糙集知识约简算法传统粗糙集的等价关系约束条件在不完备信息系统中难以得到满足,而且不完备信息的处理还需要较强的抗噪声能力。本文提出了一种不完备目标信息系统中的差异关系,建立了基于差异关系的变精度粗糙集模型,进而提出了相应的知识约简定义和知识约简算法,实现了带噪声不完备信息系统中的知识获取。该算法已应用于叁峡库区香溪河富营养化不完备数据的知识约简中,实现了带噪声不完备信息系统中的富营养化知识获取。3.提出了不完备信息系统中的并行推理模型针对传统粗糙集模型中并行推理能力弱的问题,借鉴Petri网的并行推理能力,提出了一种不完备信息系统中的并行推理模型。该模型已应用于叁峡库区香溪河富营养化不完备数据的知识推理,实现了带噪声不完备信息系统中的高效知识推理。4.提出了双向S粗糙集上的动态知识获取算法针对经典粗糙集在动态知识处理中的不足,借鉴双向S粗糙集元素与属性迁移的思想,根据元素动态变化的粒度大小提出了两种基于双向S粗糙集的动态知识获取算法。将这两种算法与其他同类算法在UCI公共数据集上进行的对比实验结果,验证了这两种算法具有较好的分类精度与较短的处理时间。最后,以双向多元素迁移的动态扩展粗糙集为理论基础,分析研究叁峡库区香溪河春季两次水华前期的前兆异常,从而为香溪河水华的预报提供了借鉴与参考。综上,基于粗糙集的模型理论扩展以及一系列的基于扩展粗糙集的水质富营养化评价应用研究,不仅在粗糙集知识发现理论与方法上取得了进步,也为水生生态系统的可持续发展与水质管理提供了有益的技术借鉴。(本文来源于《中国科学院大学(中国科学院重庆绿色智能技术研究院)》期刊2017-03-01）
粗糙集扩展模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
粗糙集理论作为一种强大且高效的处理不确定性问题的工具,被成功应用到许多实际问题的解决中,例如数据挖掘、决策分析、智能控制、模式识别等领域.相对其他处理不确定性问题的数学工具而言,粗糙集只通过数据本身而无需提供任何先验信息就可以获得数据之间的相关性进而实现规则获取,而模糊集和证据理论则需要隶属度和概率赋值信息.所以,粗糙集处理问题相对更客观.另一方面,由于粗糙集理论中不包含处理不精确或不确定原始数据的机制,因此与概率论、模糊数学、证据理论等不确定或不精确信息处理工具有很强的互补性.从而,粗糙集与其他代数结构或数学工具结合得到的扩展模型可以更广泛地应用到现实生活中.目前,关于粗糙集理论的研究方法主要有两种,即构造化方法和公理化方法.构造化方法主要研究粗糙集在实际问题中的应用,而公理化方法致力于探索粗糙集模型的内在性质.本文主要分为叁部分.第一部分,研究基于剩余格的L-模糊粗糙近似算子的单公理刻画.第二部分,结合概率论思想,分别从构造化和公理化角度探索多标记决策粗糙集.第叁部分,把中智集思想引入到粗糙集中,基于单值中智逻辑算子,从逻辑视角定义单值中智粗糙集,并研究其基本性质和公理化刻画.同时,建构了基于区间中智关系的广义区间中智粗糙集,并进一步展示其在决策问题上的具体应用.本文共分五章:第一章简要回顾粗糙集,剩余格,多标记信息表,单值中智集,区间中智集的相关概念和基本性质.第二章研究基于剩余格的L-模糊粗糙近似算子的公理刻画.首先成功完成了用一个公理来刻画一般L-模糊关系下产生的L-模糊粗糙近似算子.并且,通过分析特殊的L-模糊关系与L-模糊粗糙近似算子的联系,进而得到串行的,自反的,对称的,传递的L-模糊关系产生的模糊粗糙近似算子的公理刻画.最后分别探索自反且对称、自反且传递、对称且传递的L-模糊关系诱导的L-模糊粗糙近似算子的单公理刻画.由于粗糙集与模态逻辑之间的紧密联系,公理刻画为构造和研究各种模糊模态逻辑提供更方便的方法,从而为人工智能发展提供更丰富的理论基础.第叁章基于多标记信息系统研究多标记决策粗糙集.因为决策者经常从一个属性的多个尺度出发分析一个对象,从而多标记信息表在决策问题中占有至关重要的地位.同时,决策粗糙集为决策问题的解决提供了独特的视角.在此将决策粗糙集思想应用到多标记信息表中,从整体角度出发:提出算术平均多标记决策粗糙集和加权平均多标记决策粗糙集.从局部角度出发,提出了多标记决策的保守和冒险思想,进而详细阐述四个模型—保守接受且冒险拒绝,保守接受且保守拒绝,冒险接受且冒险拒绝,冒险接受且保守拒绝.此外,详细具体分析所有多标记决策粗糙近似算子的基本性质.最后,用一个实际应用例子来验证所提出模型的可实施性和有效性.第四章在单值中智集框架中引入单值中智逻辑算子,进一步基于单值中智模和单值中智蕴涵研究单值中智粗糙集.首先,从构造法的角度提出由单值中智蕴涵:I和单值中智模N定义的(I,N)-单值中智粗糙近似算子,进一步研究近似算子的基本性质和特殊的单值中智关系与近似算子之间的联系.从公理化刻画角度,系统阐述了(I,N)-单值中智粗糙近似算子的公理化刻画.特别地,采用不同公理集刻画(I,N)-单值中智粗糙近似算子的不同内在属性,即不同类型的单值中智关系产生的近似算子对应不同的公理集.第五章从构造化角度和公理化刻画角度探索区间中智集和粗糙集的混合模型.一方面,从构造化角度定义基于区间中智关系的广义区间中智粗糙近似算子.并且,研究特殊的区间中智关系与广义区间中智近似算子的联系.另一方面,探索广义区间中智近似算子的公理化刻画,不同公理集对应不同类型的区间中智关系使得产生相同的广义区间中智粗糙近似算子.为了将广义区间中智粗糙集广泛应用到实际问题中,提出双论域的区间中智粗糙近似算子及其在多属性决策问题中的算法,并且引入一个多属性决策问题来验证算法的可靠性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粗糙集扩展模型论文参考文献
[1].杨斌.模糊覆盖粗糙集及其扩展模型研究[D].武汉大学.2018
[2].包艳玲.四种粗糙集扩展模型的研究[D].陕西师范大学.2018
[3].卢克文.概念漂移探测与粗糙集模型扩展的研究[D].浙江师范大学.2018
[4].汪杰.基于邻域粗糙集的模型扩展和算法研究[D].安徽大学.2018
[5].靳永飞.优势关系粗糙集的扩展模型及快速约简方法[D].河北大学.2017
[6].丁华,邓金涛,杨兆建,刘建成.基于粗糙集扩展模型的采煤机设计领域知识获取[J].机械设计.2017
[7].张佩.粗糙集扩展模型的相似性度量与聚类分析[D].重庆邮电大学.2017
[8].赵静.复合粗糙集扩展模型及其应用[D].西北师范大学.2017
[9].李丽.泛系并联粗糙集模型的扩展[D].兰州大学.2017
[10].严胡勇.扩展粗糙集模型及其在水质富营养化评价中的应用研究[D].中国科学院大学(中国科学院重庆绿色智能技术研究院).2017
论文知识图
