As an important direction in research fields of artificial intelligence,granular computing has great advantages in data mining and knowledge discovery. To solve the problem of knowledge acquisition in information systems with multi⁃scale decisions,the optimal scale selection problem of information systems with multi⁃scale decisions is discussed from the perspective of Dempster⁃Shafer theory of evidence. The concepts of information systems with multi⁃scale decisions and their scale selections are first introduced. It is shown that the set of all scale selections constitutes a lattice structure. Information granules under different scale selections in information systems with multi⁃scale decisions are then described and their relationships are presented. Finally,the notion of optimal scale selections in consistent information systems with multi⁃scale decisions is defined. It is proved that belief and plausibility functions in the Dempster⁃Shafer theory of evidence can be used to characterize optimal scale selections in consistent information systems with multi⁃scale decisions.
Keywords:granular computing
;
information systems with multi⁃scale decisions
;
rough sets
;
theory of evidence
Yu Zichun, Wu Weizhi. Using evidence theory to characterize optimal scale selections in consistent information systems with multi⁃scale decisions. Journal of nanjing University[J], 2022, 58(1): 71-81 doi:10.13232/j.cnki.jnju.2022.01.008
迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法.
证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征.
:Structures,representations,and applications∥Proceedings of the 9th International Conference on Rough Sets,Fuzzy Sets,Data Mining,and Granular Computing. Berlin:Springer,2003:16-24.
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
基于邻域粗糙集的多标记分类特征选择算法
1
2015
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
Rough set approach to incomplete information systems
0
1998
Knowledge acquisition in incomplete information systems:A rough set approach
0
2006
On knowledge reduction in inconsistent decision information systems
0
2004
0
2002
0
2007
0
2011
0
2008
Dominance relation and rules in an incomplete ordered information system
0
2005
一种不完备混合数据集成聚类算法
0
2016
一种不完备混合数据集成聚类算法
0
2016
Dominance?based rough set theory over interval?valued information systems
0
2014
邻域粗糙协同分类模型
1
2014
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
邻域粗糙协同分类模型
1
2014
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
1
1991
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
MGRS:A multi?granulation rough set
1
2010
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
Incomplete multigranulation rough set
1
2010
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
On multigranulation rough sets in incomplete information system
1
2012
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
Theory and applications of granular labelled partitions in multi?scale decision tables
1
2011
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
序粒度标记结构及其粗糙近似
1
2014
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
序粒度标记结构及其粗糙近似
1
2014
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
不完备多粒度序信息系统的粗糙近似
0
2015
不完备多粒度序信息系统的粗糙近似
0
2015
Optimal scale selection for multi?scale decision tables
0
2013
协调的不完备多粒度标记决策系统的最优粒度选择
0
2016
协调的不完备多粒度标记决策系统的最优粒度选择
0
2016
不协调多粒度标记决策系统最优粒度的对比
1
2016
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
不协调多粒度标记决策系统最优粒度的对比
1
2016
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
A local approach to rule induction in multi?scale decision tables
1
2015
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
On knowledge acquisition in multi?scale decision systems
1
2013
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
Knowledge acquisition in inconsistent multi?scale decision systems
1
2011
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
On rule acquisition in incomplete multi?scale decision tables
1
2017
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
A new approach of optimal scale selection to multi?scale decision tables
1
2017
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
A comparison study of optimal scale combination selection in generalized multi?scale decision tables
1
2020
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
基于熵的多尺度决策系统的最优尺度选择
1
2021
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
基于熵的多尺度决策系统的最优尺度选择
1
2021
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
Matrix representation of optimal scale for generalized multi?scale decision table
1
2021
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
Generalized multi?scale decision tables with multi?scale decision attributes
3
2019
... 迄今为止,已经有许多涉及具体应用背景的粒计算模型和方法被提出,而在众多粒计算模型中,粗糙集对粒计算研究的推动和发展发挥了重要的作用[6-17].粗糙集数据分析中的数据描述结构称为信息系统(Information System)[18],又称为信息表或对象⁃属性值表.原始的Pawlak粗糙集理论利用样本集上的等价类来描述“粒”,用等价关系诱导的划分来粒化数据的样本空间.在传统的粗糙集数据分析中,信息系统或决策表中的每一个对象只能取唯一的属性值,这样的信息系统描述的是固定尺度下的对象信息,称为单尺度信息系统.但事实上,单一尺度框架下的知识表示以及数据处理方法远远不能满足实际应用的需求,所以“多粒度”成为粒计算研究的重要方向.在粗糙集数据分析方面,Qian et al[19]首次提出多粒度粗糙集模型,其主要思想是通过属性的选择进行交运算或并运算来对数据进行处理.以此为基础,许多针对不同数据背景的多粒度粗糙集模型被相继提出[20-21].2011年,Wu and Leung[22]首次提出基于多粒度划分的粗糙集数据分析模型,在这种多粒度数据模型下,同一批数据可以被标记为不同的粒度层次,对应的数据描述结构称为多尺度信息系统或多粒度标记信息系统,人们可以根据需求在不同的粒度标记上处理和分析数据.吴伟志等[23-27]还进一步研究了多粒度框架下的其他数据类型的信息粒表示和最优粒度的选择问题.She et al[28]提出多尺度决策系统的局部最优粒度选择和规则提取方法.Gu and Wu[29-30]给出了协调的和不协调的多尺度决策系统中知识获取的算法.Wu et al[31]又进一步提出不完备多尺度决策系统的知识获取方法.Li and Hu[32]提出一种推广的多尺度数据分析模型,研究不同属性具有不同粒度标记的多尺度决策系统的最优尺度选择问题,给出两种最优尺度选择方法.最近,Wu and Leung[33]给出了广义多尺度决策系统中各种最优尺度组合选择的比较研究.郑嘉文等[34]用熵刻画多尺度决策系统的最优尺度选择.Li et al[35]提出用矩阵来表示广义多尺度决策系统的最优尺度.然而,以上多尺度信息系统都基于一个共同的假设,即系统中的决策属性只有一个尺度,而实际生活中,人们可能面对决策属性具有多个尺度的数据处理问题.针对这种情形,Huang et al[36]首次研究了协调的具有多尺度决策的信息系统的最优尺度选择问题,并给出两种最优尺度选择算法. ...
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
... 定义1[37] ...
... 定义2[37] ...
Interpretations of belief functions in the theory of rough sets
1
1998
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
Connections between rough set theory and Dempster?Shafer theory of evidence
1
2002
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
On generalized fuzzy belief functions in infinite spaces
1
2009
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
无限论域中的粗糙近似空间与信任结构
1
2012
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
无限论域中的粗糙近似空间与信任结构
1
2012
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
不协调广义多尺度决策系统的尺度组合
2
2018
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...
... 证据理论[37]是另一种处理不确定性问题的重要方法,该理论的最基本结构是由mass函数生成的信任结构,由信任结构可以导出一对对偶的数值型测度——信任函数和似然函数.已经证实,证据理论与粗糙集理论之间有密切的关系,Yao and Lingras[38]对有限论域中由非等价关系产生的粗糙集近似与证据理论中的信任函数之间的关系做了系统的讨论,证明有限论域中的任何一个信任函数一定存在一个粗糙近似空间,使得由该近似空间导出的信任函数恰好就是给定的信任函数.Wu et al[39]给出了有限论域中模糊环境下粗糙集理论与证据理论之间的关系.吴伟志等[40-41]进一步给出了无限论域中基于模糊蕴含算子的信任结构及其导出的信任函数与似然函数的定义,并得到信任函数与似然函数的一些重要性质,阐明了证据理论中各种信任结构及其导出的信任函数与似然函数一定可以表示为某个粗糙近似空间中的下概率函数与上概率函数.因此,粗糙集理论中集合的下近似与上近似可以看成是对该集合表示的概念在近似空间中的定性描述,而证据理论中集合的信任度与似然度可以看成是对该集合表示的概念在信任结构中的定量描述.因此,证据理论可以用来分析信息系统中的知识获取问题.例如,吴伟志等[42]用证据理论刻画了不协调广义多尺度决策系统中的最优尺度组合的特征.吴伟志等[43]还用证据理论刻画了广义不完备多粒度标记决策系统中的最优粒度选择特征. ...