论文部分内容阅读
覆盖粗糙集模型作为经典粗糙集模型的拓展，是处理不确定性数据的重要工具，尤其是在处理不完备信息系统和二元关系信息系统时具有明显的优势。文章从属性取值入手对覆盖粗糙集模型进行拓展，然后讨论了覆盖粗糙集模型与经典粗糙集模型之间的转换方法，最后对覆盖粗糙集模型的不确定性衡量及属性约减方法进行了分析。主要内容如下：
（1）现实中的数据复杂多样，针对不同的数据类型学者们对覆盖粗糙集模型进行了扩展，现有的覆盖粗糙集模型讨论了属性值为实数、区间数、模糊数或有限集值的情况，对属性值为区间粗糙数的讨论却尚未见到。为此，文章定义了区间粗糙数的相容度，并结合参数?和?定义了相容类，以此为基础提出了基于区间粗糙数的覆盖粗糙集模型；同时提出集合离散度的概念，定义了基于?阈值的集合离散度的上下近似算子和基于最小集合离散度的上下近似算子对模型进行了改进，提高了模型的精度。
（2）与划分相比覆盖增加了数据的不确定性，同时，覆盖粗糙集模型缺失了一些经典粗糙集模型中的优良性质。而已有的将覆盖生成划分的方法并不完全适用于所有场景下的转换，为此，文章通过定义转置类和对称类，提出一种新的转换方法。该方法不仅解决了已有方法的不足之处，同时，针对现实问题中数据不能形成单一覆盖的情况，通过定义覆盖族中论域元素的最小描述，将其拓展到覆盖族近似空间上。
（3）覆盖粗糙集模型的不确定性衡量方法基本继承了经典粗糙集不确定性衡量的思想，然而由于覆盖的特性，这些方法在覆盖粗糙集中可能存在不单调的问题。基于此，文章依据上述转换方法，以转换后得到的经典粗糙集模型的上下近似算子提出集合不确定性的概念，结合所提出的覆盖度的概念对转换之前覆盖粗糙集模型的不确定性进行衡量，并对该方法的单调性及其他性质进行了证明。
（4）现有的覆盖粗糙集模型的属性约简大多是以保持相对正域不变为基础进行的。文章基于所提出的覆盖粗糙集模型的不确定性衡量方法，提出一种保持不确定性不变的覆盖粗糙集模型属性约简方法。
（1）现实中的数据复杂多样，针对不同的数据类型学者们对覆盖粗糙集模型进行了扩展，现有的覆盖粗糙集模型讨论了属性值为实数、区间数、模糊数或有限集值的情况，对属性值为区间粗糙数的讨论却尚未见到。为此，文章定义了区间粗糙数的相容度，并结合参数?和?定义了相容类，以此为基础提出了基于区间粗糙数的覆盖粗糙集模型；同时提出集合离散度的概念，定义了基于?阈值的集合离散度的上下近似算子和基于最小集合离散度的上下近似算子对模型进行了改进，提高了模型的精度。
（2）与划分相比覆盖增加了数据的不确定性，同时，覆盖粗糙集模型缺失了一些经典粗糙集模型中的优良性质。而已有的将覆盖生成划分的方法并不完全适用于所有场景下的转换，为此，文章通过定义转置类和对称类，提出一种新的转换方法。该方法不仅解决了已有方法的不足之处，同时，针对现实问题中数据不能形成单一覆盖的情况，通过定义覆盖族中论域元素的最小描述，将其拓展到覆盖族近似空间上。
（3）覆盖粗糙集模型的不确定性衡量方法基本继承了经典粗糙集不确定性衡量的思想，然而由于覆盖的特性，这些方法在覆盖粗糙集中可能存在不单调的问题。基于此，文章依据上述转换方法，以转换后得到的经典粗糙集模型的上下近似算子提出集合不确定性的概念，结合所提出的覆盖度的概念对转换之前覆盖粗糙集模型的不确定性进行衡量，并对该方法的单调性及其他性质进行了证明。
（4）现有的覆盖粗糙集模型的属性约简大多是以保持相对正域不变为基础进行的。文章基于所提出的覆盖粗糙集模型的不确定性衡量方法，提出一种保持不确定性不变的覆盖粗糙集模型属性约简方法。