1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域.
粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度.
然而,Pawlak粗糙集模型要求其所处理的分类必须完全精确,即只考虑完全“包含”或“不包含”.针对此问题,Ziarko[18 ] 于1993年提出变精度粗糙集模型,通过引入阈值β 来放宽要求,考虑某种程度上的包含与否,进而提高模型分类的容错率.目前,许多学者利用变精度粗糙集在各类关系下对属性约简进行深入研究,并取得了诸多成果[19 -21 ] .
在进行属性约简时总是将各个属性视作等权重这一习惯忽略了决策者自身的偏好,不符合实际情况,而属性加权根据各属性的重要程度赋予其不同的权重,可以更好地区分属性.通常,权重可以通过主观经验、个人喜好来设置,也可以通过先验知识习得[22 -24 ] .
现实生活中,许多信息表受诸多因素影响是基于直觉模糊序关系的,而且是不协调的[25 ] .为了更有效地从不协调直觉模糊序决策信息表中提取简洁的不确定性命题,同时提高对噪音数据的容纳能力,本文引入带权重评分函数,并利用变精度粗糙集进行属性约简,构建加权变精度直觉模糊序决策信息表.接着,根据变精度上、下近似算子,引入近似函数、近似协调集和近似可辨识矩阵,进而得到近似约简的求解方法,并通过具体案例分析两种约简方法的有效性.
1 相关工作
决策表涉及条件属性和决策属性,为了更好地探究条件属性同决策属性之间的关系,便于理解,首先介绍相关概念[26 -27 ] .
三元组I S = U , A T , F 是信息表,四元组D I S = U , A T ⋃ D T , F , G 是决策表.其中,U = x 1 , x 2 , … , x n 是非空有限论域;A T = a 1 , a 2 ,
… , a p 是有限条件属性集;D T = d 1 , d 2 , … , d q 是决策属性集,并满足A T ⋂ D T ≠ ∅ ;F 是U 与A T 的笛卡尔积到a 的有限值域V a 的映射,即F = f : U × A T → V , V = ⋃ V a , a ∈ A T ;G 是论域U 与D T 的笛卡尔积到d 的有限值域V d 的映射,即G = g : U × D T → V , V = ⋃ V d .
对于一个信息表,如果属性a 对应的值域满足偏序关系“≻ a ”,则a ∈ A T 是一个准则.若所有属性均为准则,此时该信息表称为序信息O I S 表,记作I S ≻ . 所构成的偏序关系可以是递增或递减的偏序关系,为保证简洁性又不失一般性,本文主要研究由递增偏序关系所形成的准则.
在序信息表I S ≻ 中,对∀ x , y ∈ U ,“y ≻ a x ”表示对象y 在准则a 下至少同对象x 一样好,即f y , a ≻ a f x , a . ∀ A ⊆ A T ,A ≠ ∅ ,“y ≻ A x ”说明关于准则集A 对象y 至少同对象x 一样好.因此,对于∀ a ∈ A ,∀ x , y ∈ U ,属性集A 的优势关系可以写为:
R A ≻ = x , y f y , a ≻ a f x , a
x A ≻ = y x , y ∈ R A ≻ = y f a y ≻ a f a x
对于序决策表D I S = U , A T ⋃ D T , F , G ,若∀ A ⊆ A T ,D ⊆ D T ,则R A ≻ 与R D ≻ 称为D I S 中条件属性集A 和决策属性集D 对应的优势关系.此时该信息表称为序决策表O D I S ,记作D I S ≻ .
定义包含度D X Y = X ⋂ Y Y ,X 表示集合X 的基数.对决策精度β ∈ 0.5,1 ,1 - β 表示错误分类率.对∀ X ⊆ U ,记R A β ̲ X 和R A β ¯ X 分别为集合X 关于A 的β 下近似与β 上近似,如式(1)和式(2)所示:
R A β ̲ X = x ∈ U : D X x A ≥ β = ⋃ x A : D X x A ≥ β (1)
R A β ¯ X = x ∈ U : D X x A > 1 - β = ⋃ x A : D X x A > 1 - β (2)
称R A β ̲ X 和R A β ¯ X 分别为基于β 下近似和β 上近似得到的粗糙集模型,即变精度粗糙集模型.
当β = 1 时,R A β ̲ X = R A ̲ X ,R A β ¯ X = R A ¯ X ,因此变精度粗糙集模型可以视作经典Pawlak粗糙集的推广.类似经典Pawlak粗糙集,若R A β ̲ X = R A β ¯ X ,则在精度β 下是精确的;若R A β ̲ X ≠ R A β ¯ X ,则在精度β 下是粗糙的.
接下来,为论述方便介绍直觉模糊集的相关概念,详见文献[26 ].
四元组D I S = U , A T ⋃ D T , F , G 为决策信息表.集合I F = μ a x , ν a x a ∈ A T , x ∈ U 是论域U 上的一个直觉模糊集.定义直觉模糊数为f = μ a x , ν a x ,其中,μ a : U × a → 0,1 表示U 中元素x 在条件属性a 下的隶属度;ν a : U × a → 0,1 表示U 中元素x 在条件属性a 下的非隶属度,并且,对于∀ x ∈ U ,均满足0 ≤ μ a x + ν a x ≤ 1 .
进一步,定义θ a x : U × a → 0,1 表示U 中元素x 在条件属性a 下的犹豫度,并且,对于∀ x ∈ U ,均满足μ a x + ν a x + θ a x = 1 . 隶属度、非隶属度和犹豫度分别描述了对象x 属于直觉模糊集的支持、反对、中立的程度.
此时,记I F I S = U , A T , F 是直觉模糊信息表.I F D I S = U , A T ⋃ D T , F , G 是直觉模糊决策信息表.其中,非空有限论域U = x 1 , x 2 , … , x n ;有限条件属性集A T = a 1 , a 2 , … , a p ;有限决策属性集D T = d 1 , d 2 , … , d q ,并满足A T ⋂ D T ≠
∅ ;F = f : U × A T → V μ a × V ν a , a ∈ A T ,其中,V μ a 和V ν a 分别为对象x 在条件属性a 下对应的隶属度值域和非隶属度值域.G = g : U × D T → V μ d × V ν d , d ∈ D T ,其中,V μ d 和V ν d 是对象x 在决策属性d 下对应的隶属度值域和非隶属度值域.
F , G 是直觉模糊决策信息表.对于∀ x ∈ U ,∀ a ∈ A T 定义对象x 对属性a 的带权重评分函数,如式(3)所示:
S a x = ω 1 μ a x - ω 2 ν a x - ω 3 θ a x (3)
其中,μ a x ,ν a x ,θ a x 分别表示元素x 在属性a 下的隶属度、非隶属度和犹豫度,权重系数满足ω 1 + ω 2 + ω 3 = 1 ,且0 ≤ μ a x + ν a x ≤ 1 ,μ a x + ν a x + θ a x = 1 . 因此,带权重评分函数可进一步简化为:
S a x = 1 - ω 2 μ a x + ω 3 - ω 2 ν a x - ω 3
带权重评分函数可以视作对决策的正向反映,因而可以认为非隶属度和犹豫度反映的是各自对决策的阻碍程度,则在带权重评分函数中对二者赋予一个负数权重.
另外,权重系数的最终取值应体现与决策偏好的一致性.例如,评价者越看重隶属度,就需要适当提高其在带权重评分函数中的重要度,即增加ω 1 . 特别地,由于各ω i 加和为1,故实际取值时只需给定隶属度和非隶属度的权重并保证ω 1 + ω 2 ≤ 1 ,就可以自动得到ω 3 的取值.
将带权重评分函数与直觉模糊决策信息表相结合.若I F D I S 中的所有属性均为准则,则称该信息表为直觉模糊决策序信息表I F O D I S ,I F O D I S = U , A T ⋃ d , F , G ,记作I F I S ≻ . 直觉模糊序决策信息表I F I S ≻ 中的偏序关系可以表示为对于∀ f ∈ F , g ∈ G , a ∈ A T 以及∀ x , y ∈ U ,均有:
f y , a ≥ f x , a ⇔ S a y ≥ S a x g y , d ≥ g x , d
其中,S a x = ω 1 μ a x - ω 2 ν a x - ω 3 θ a x 为对象x 对属性a 的带权重评分函数;f = μ a x , ν a x 和g = μ d x , ν d x 分别是对象x 在条件属性a 和决策属性d 下的直觉模糊数.
直觉模糊决策序信息表I F O D I S 中,∀ x , y ∈ U ,∀ A ⊆ A T ,A T ≠ ∅ ,∀ a ∈ A ,定义属性集A 所对应的优势关系为:
R A s ≻ = x , y S a y ≥ S a x
R d s ≻ = x , y g y , d ≥ g x , d
对于直觉模糊决策序信息表I F O D I S ,若R A s ≻ ⊆ R d s ≻ ,则称该直觉模糊决策序信息表是协调的;反之,R A s ≻ ⊄ R d s ≻ ,不协调.然而在实际生活中,需处理的信息表大多是不协调的.
根据定义3,对∀ x , y ∈ U , ∀ a ∈ A ,属性集A 的优势类为:
x A ≻ = y x , y ∈ R A s ≻ = y f a y ≥ f a x
x d ≻ = y x , y ∈ R d s ≻
2 不协调加权变精度直觉模糊序信息表的近似约简
基于变精度粗糙集、直觉模糊序信息表的相关理论,构建基于直觉模糊序信息表的变精度粗糙集模型.
设I F O D I S = U , A T ⋃ d , F , G 是直觉模糊决策序信息表,对∀ A ⊆ A T ,∀ X ⊆ U 及β ∈ 0.5,1 ,定义X 在直觉模糊优序关系R A s ≻ 关于A 的β 下近似和上近似,如式(4)所示:
R A s ≻ β ̲ X = x D X x A s ≻ ≥ β R A s ≻ β ¯ X = x D X x A s ≻ > 1 - β (4)
与原有的上、下近似相比,决策精度β 的引入放宽了下近似要求的同时,提高了上近似的条件.在此基础上对∀ A ⊆ A T , x ∈ U ,定义R A s ≻ β 和R d s ≻ β 分别为准则集A 和d 对应的U 上的优势关系U R A s ≻ β = x i A s ≻ ,U R d s ≻ β = D 1 , D 2 , … , D r .
记σ A s ≻ β 和λ A s ≻ β 分别为论域U 上元素x 关于准则集A 的下近似函数和上近似函数,其定义如式(5)所示:
σ A s ≻ β = R A s ≻ β ̲ D 1 , R A s ≻ β ̲ D 2 , … , R A s ≻ β ̲ D r λ A s ≻ β = R A s ≻ β ¯ D 1 , R A s ≻ β ¯ D 2 , … , R A s ≻ β ¯ D r (5)
设I F O D I S = U , A T ⋃ d , F , G 是直觉模糊决策序信息表,∀ A ⊆ A T ,有:
若σ A s ≻ β = σ A T s ≻ β ,则称A 是β 下近似协调集.进一步,若A 是β 下近似协调集,但A 的任意真子集均不是β 下近似协调集,则称A 是β 下近似约简.
类似地,若λ A s ≻ β = λ A T s ≻ β ,则称A 是β 上近似协调集.进一步,若A 是β 上近似协调集,但A 的任意真子集均不是β 上近似协调集,则称A 是β 的上近似约简.
由定义5可知,β 上、下近似约简是保持每个决策类的β 上、下近似不变的属性集,即在原信息表和约简表中,由同一个对象所产生的命题规则的决策相同.
设I F O D I S = U , A T ⋃ d , F , G 是直觉模糊决策序信息表,∀ A ⊆ A T ,∀ x ∈ U ,若记:
K A s ≻ β x = D j : x ∈ R A s ≻ β ̲ D j T A s ≻ β x = D j : x ∈ R A s ≻ β ¯ D j (6)
(1)属性子集A 是β 下近似协调集⇔ ∀ x ∈ U ,均有K A s ≻ β x = K A T s ≻ β x .
(2)属性子集A 是β 上近似协调集⇔ ∀ x ∈ U ,均有T A s ≻ β x = T A T s ≻ β x .
A 是β 下近似协调集,则对任意j ∈ r ,有R A s ≻ β ̲ D j = R A T s ≻ β ̲ D j . 又对属性子集A ,x ∈ R A s ≻ β ̲ D j 等价于D j ∈ K A s ≻ β x ,对全集A T ,x ∈ R A T s ≻ β ̲ D j 等价于D j ∈ K A T s ≻ β x ,则证.
下面给出变精度直觉模糊决策序信息表的上、下近似约简的判定定理.
设I F O D I S = U , A T ⋃ d , F , G 是直觉模糊决策序信息表,∀ A ⊆ A T ,对x , y ∈ U ,令D D i x A s ≻ β = α ,D y A s ≻ β x A s ≻ β = η ,则:
属性子集A 是β 下近似协调集⇔ ∀ D i ∈ U / R D ≻ ,当x ∈ R A T s ≻ β ̲ D i ,y ∉ R A T s ≻ β ̲ D i 时,若η = 0 ,∃ a ∈ A ,有S a x > S a y ;若η ≠ 0 ,则当η + α - 1 η ≥ β 时,∃ a ∈ A ,S a x > S a y .
属性子集A 是β 上近似协调集⇔ ∀ D i ∈ U / R D ≻ ,当x ∉ R A T s ≻ β ̲ D i ,y ∈ R A T s ≻ β ̲ D i 时,若η = 0 ,∃ a ∈ A ,有S a x > S a y ;若η ≠ 0 ,则当η η + α - 1 > 1 - β 时,∃ a ∈ A ,S a x > S a y .
x ∈ R A T s ≻ β ̲ D i ⇔ D i ∈ K A T s ≻ β x
y ∉ R A T s ≻ β ̲ D i ⇔ D i ∉ K A T s ≻ β y
当η = 0 时,y A s ≻ β ⋂ x A s ≻ β = ∅ ,则此时必存在a ∈ A ,有S a x > S a y .
当η ≠ 0 时,假设∃ D 0 ,当x ∈ R A T s ≻ β ̲ D i ,y ∉ R A T s ≻ β ̲ D i 时,对任意a ∈ A 有S a x ≤ S a y . 于是,此时有y ∈ x A s ≻ . 由于A 是下近似协调集,故对D i ∈ U R D ≻ ,有R A T s ≻ β ̲ D i = R A s ≻ β ̲ D i .
因为x ∈ R A T s ≻ β ̲ D i ,所以有x ∈ R A s ≻ β ̲ D i ,即D D i x A s ≻ = α ≥ β . 又y ∈ x A s ≻ ,则y A s ≻ ⊆ x A s ≻ .
在最极端情况下,即当x A s ≻ β - D i ⊆ y A s ≻ β 时,有:
D D i y A s ≻ = D i ⋂ y A s ≻ y A s ≻ = η + α - 1 × x A s ≻ η × x A s ≻ = η + α - 1 η ≥ β
当η + α - 1 η ≥ β 时有D D i y A s ≻ ≥ β ,即y ∈ R A T s ≻ β ̲ D j ,因此有y ∈ R A s ≻ β ̲ D j ,矛盾.
若A 不是下近似协调集,则一定存在D 0 ,使得R A T s ≻ β ̲ D 0 ≠ R A s ≻ β ̲ D 0 ,即有x 0 使x 0 ∈ R A T s ≻ β ̲ D 0 ,但x 0 ∉ R A s ≻ β ̲ D 0 . 则D D 0 x 0 A T ≻ ≥ β , D D 0 x 0 A ≻ < β .
又x 0 A T s ≻ ⊆ x 0 A s ≻ ,故存在y 0 ,有y 0 ∈ x 0 A s ≻ ,但是y 0 ∉ D 0 ,即D D 0 y 0 A T ≻ < β . 于是有x 0 ∈ R A T s ≻ β ̲ D 0 ,y 0 ∉ R A T s ≻ β ̲ D 0 . 根据条件可知存在a ∈ A ,使得S a x > S a y ,这与y 0 ∈ x 0 A s ≻ 矛盾.
3 可辨识矩阵约简方法
上节给出了β 上、下近似函数的定义和β 上、下近似约简以及判定定理,由此可以进一步得到相应的属性约简方法.为此,先给出β 上、下近似可辨识属性集和β 上、下近似可辨识属性矩阵.
设I F O D I S = U , A T ⋃ d , F , G 是不协调直觉模糊决策序信息表,对D i ∈ U R d s ≻ β 记:
D 1 * = x , y : D i ∈ K A T s ≻ β x , D i ∉ K A T s ≻ β y D 2 * = x , y : D i ∉ T A T s ≻ β x , D i ∈ T A T s ≻ β y (7)
D i r s ≻ β x , y = S a x > S a y x , y ∈ D r *
D i r s ≻ β x , y = ∅ x , y ∉ D r *
则分别称D i 1 s ≻ β x , y 和D i 2 s ≻ β x , y 为对象关于直觉模糊优势关系的β 下近似可辨识属性集和β 上近似可辨识属性集.分别记:
D i 1 s ≻ β = D i 1 s ≻ β x , y x , y ∈ U 为不协调直觉模糊决策序信息表的β 下近似可辨识矩阵;
D i 2 s ≻ β = D i 2 s ≻ β x , y x , y ∈ U 为不协调直觉模糊决策序信息表的β 上近似可辨识矩阵.
设I F O D I S = U , A T ⋃ d , F , G 是不协调直觉模糊决策序信息表,对A ⊆ A T ,有:
A 是β 下近似协调集⇔ ∀ x , y ∈ D 1 * β ,有A ⋂ D i 1 s ≻ β x , y ≠ ∅ ;
A 是β 上近似协调集⇔ ∀ x , y ∈ D 2 * β ,有A ⋂ D i 2 s ≻ β x , y ≠ ∅ .
设A 是下近似协调集,对于任意x , y ∈ D 1 * β ,存在D 0 ,有D 0 ∈ U R d s ≻ β ,使得x ∈ R A T s ≻ β ̲ D 0 ,y ∉ R A T s ≻ β ̲ D 0 . 故由定理2可知,必存在a ∈ A ,使得S a x > S a y . 于是有a ∈ D i 1 s ≻ β x , y . 因此若A 是下近似协调集,则对∀ x , y ∈ D 1 * β ,有A ⋂ D i 1 s ≻ β x , y ≠ ∅ .
若对∀ x , y ∈ D 1 * β ,有A ⋂ D i 1 s ≻ β x , y ≠ ∅ ,则存在a ∈ A ,使得a ∈ D i 1 s ≻ β x , y ,故有S a x > S a y . 而x ∈ R A T s ≻ β ̲ D i ,y ∉ R A T s ≻ β ̲ D i . 故由定理2可知,A 是下近似协调集.
设I F O D I S = U , A T ⋃ d , F , G 是不协调直觉模糊决策序信息表,D i 1 s ≻ β 和D i 2 s ≻ β 分别为β 下、上近似可辨识属性矩阵.对a k ∈ A T ,对r = 1,2 ,记M i 1 s ≻ β 和M i 2 s ≻ β 分别是β 下近似辨识公式和β 上近似辨识公式,有:
M i r s ≻ β = ∧ ∨ a k ∈ D i r s ≻ β x , y x , y ∈ U = ∧ ∨ a k ∈ D i r s ≻ β x , y x , y ∈ D r * β
设I F O D I S = U , A T ⋃ d , F , G 是不协调直觉模糊决策序信息表,对r = 1,2 ,辨识公式M i r s ≻ β 的极小析取范式为M i r s ≻ β = ∨ k = 1 n ∧ s = 1 q k a r s . 记A r k = a r s : s = 1,2 , … , q k ,则A r k : k = 1,2 , … , n 分别是所有β 下分布约简和β 上分布约简形成的集合.
此处仅证明A r k : k = 1,2 , … , n 是所有β 下分布约简形成的集合.β 上分布约简同理可得.
对于任意k ≤ n 和x , y ∈ D 1 * β ,由极小析取范式的定义可知A 1 k ⋂ D 1 s ≻ β x , y = ∅ ;再由定理3可知,A 1 k 是下近似协调集.同时,由M i 1 s ≻ β 可知当在A 1 k 中去掉一个元素形成A 1 k ' 时,一定有x , y ∈ D 1 * β ,使得A 1 k ' ⋂ D 1 s ≻ β x , y = ∅ . 因此A 1 k ' 不是β 下近似协调集,从而A 1 k 是β 下近似约简.
又由于β 下近似辨识公式中包含了所有的D 1 s ≻ β x , y ,因此不存在其他β 下近似约简.
4 案例分析
某信贷公司的10位评级员需要对申请贷款的六家公司进行联合评定,以判断是否对该公司进行放贷,评级员需要根据公司经营状况a 1 、信用状况a 2 和偿债能力a 3 三个方面对申贷公司进行评估.评级员结合公司的财务数据和自身经验给出各公司指标的程度和情况,由于在评价申贷公司各方面状况和能力时均采用“良好”“较差”等模糊性用语,故采用直觉模糊集可以更精准地判断申贷公司是否为符合期望的申请者.判断情况分A ,B ,C 三种,即令人满意的申请者、尚可的申请者、不符合预期的申请者.
表1 给出了10位评级员对六家公司的评定情况.公司x 1 在a 1 下的得分解释如下:10位评级员,其中八位认为该公司经营状况良好,一位评级员认为该公司经营状况较差,还有一位评级员无法给出准确判断.此时,认为公司x 1 对经营状况a 1 的隶属度是0.8 ,非隶属度是0.1 ,犹豫度是0.1 ,记作f x 1 , a 1 = 0.8,0.1 . 类似地,可以对其他直觉模糊数进行解释.此外,在得分函数中,由于更看重隶属度,故对其赋予更大的权重,此处设置权重为ω 1 = 0.6 ,ω 2 = 0.3 ,ω 3 = 0.1 .
为了便于后续计算加权变精度直觉模糊序决策信息表中的上、下近似约简,在表2 中计算了每个对象在各个属性下的带权重评分函数.
U / R d s ≻ 0.8 = D 1 , D 2 , D 3
D 1 = x 1 , x 5
D 2 = x 1 , x 2 , x 4 , x 5
D 3 = x 1 , x 2 , x 3 , x 4 , x 5 , x 6
x 1 A T s ≻ 0.8 = x 1 , x 2 , x 5
x 2 A T s ≻ 0.8 = x 2
x 3 A T s ≻ 0.8 = x 2 , x 3 , x 6
x 4 A T s ≻ 0.8 = x 4
x 5 A T s ≻ 0.8 = x 5
x 6 A T s ≻ 0.8 = x 6
显然R A T s ≻ 0.8 ⊄ R d s ≻ 0.8 ,则该信息表不协调,计算得:
R A T s ≻ 0.8 ̲ D 1 = x 5
R A T s ≻ 0.8 ̲ D 2 = x 1 , x 2 , x 4 , x 5
R A T s ≻ 0.8 ̲ D 3 = x 1 , x 2 , x 3 , x 4 , x 5 , x 6
R A T s ≻ 0.8 ¯ D 1 = x 1 , x 5
R A T s ≻ 0.8 ¯ D 2 = x 1 , x 2 , x 3 , x 4 , x 5
R A T s ≻ 0.8 ¯ D 3 = x 1 , x 2 , x 3 , x 4 , x 5 , x 6
R A s ≻ 0.8 ̲ D 1 = x 5
R A s ≻ 0.8 ̲ D 2 = x 1 , x 2 , x 4 , x 5
R A s ≻ 0.8 ̲ D 3 = x 1 , x 2 , x 3 , x 4 , x 5 , x 6
R A s ≻ 0.8 ¯ D 1 = x 1 , x 5
R A s ≻ 0.8 ¯ D 2 = x 1 , x 2 , x 3 , x 4 , x 5
R A s ≻ 0.8 ¯ D 3 = x 1 , x 2 , x 3 , x 4 , x 5 , x 6
即σ A T s ≻ 0.8 = σ A s ≻ 0.8 ,说明A = a 2 , a 3 是下近似协调集.验证可知,A 的任意真子集均不为下近似协调集,所以A 是下近似约简.
同理可得,当A = a 2 , a 3 或a 1 , a 3 时,λ A T s ≻ 0.8 = λ A s ≻ 0.8 ,且A 的任意真子集均不为上近似协调集,所以A = a 2 , a 3 或A = a 1 , a 3 是上近似约简.
方法二:根据表1 的加权变精度直觉模糊序决策信息表,可以分别得到该信息表的下近似辨识矩阵和上近似辨识矩阵,如表3 和表4 所示.
M i 1 s ≻ 0.8 = a 2 ∧ a 3 ∧ a 1 ∨ a 3 ∧ a 1 ∨ a 2 ∧ a 1 ∨ a 2 ∨ a 3 = a 2 ∧ a 3
M i 2 s ≻ 0.8 = a 3 ∧ a 1 ∨ a 3 ∧ a 1 ∨ a 2 ∧ a 1 ∨ a 2 ∨ a 3 = a 3 ∧ a 1 ∨ a 2 = a 3 ∧ a 1 ∨ a 3 ∧ a 2
5 数值实验
本节根据辨识矩阵求解约简属性的方法进行实验算法的设计,给出下近似、上近似约简的伪代码,详见算法1、算法2以及对应的数值实验.
算法1 加权变精度直觉模糊序信息表的下近似约简算法
输入:信息表I F O D I S = U , A T ⋃ d , F , G ,决策精度β
输出:加权变精度直觉模糊序信息表的下近似约简集red
S a x = ω 1 μ a x - ω 2 ν a x - ω 3 θ a x
27. d e g r e e = l e n P r e i ⋂ D j l e n P r e i
38. if x i ∈ x r e d m and x j ∉ x r e d m then do:
40. if S x i p > S x j p then do:
算法2 加权变精度直觉模糊序信息表的上近似约简算法
输入:信息表I F O D I S = U , A T ⋃ d , F , G ,决策精度β
输出:加权变精度直觉模糊序信息表的上近似约简集red
8. d e g r e e = l e n P r e i ⋂ D j l e n P r e i
9. if d e g r e e > 1 - β then do:
19. if x i ∉ s r e d m and x j ∈ s r e d m then do:
21. if S x i p > S x j p then do:
从UCI数据库中选取九个数据集以验证下近似约简和上近似约简方法的有效性,数据集相关信息见表5 .
使用的计算机CPU为i5⁃11300H,内存为16 GB,Windows 11操作系统.实验程序采用Python 3.7.为进一步说明实验的有效性,将下近似约简算法VDR、上近似约简算法VUR与MR[29 ] 进行比较,分别在KNN,SVM,BayesNet,RandomTree四个分类器上对约简结果进行分类,得到对应的分类精度如表6 和表7 所示.
由表可见,根据算法1和算法2求得的下近似约简和上近似约简结果,在KNN,SVM,BayesNet和RandomTree这四种分类器上的分类精度均在一个比较高的程度,并且九个数据集得到的平均分类精度均优于对比算法.说明本文所提出的算法不仅具有一定的可信度,还在原有算法上有所改进提升.
6 结论
本文以直觉模糊决策信息表为背景,借助带权重评分函数定义了直觉模糊序决策信息表.同时,为了提高模型分类的容错率,引入变精度粗糙集,构建加权变精度直觉模糊序信息表.在此信息表下引入近似约简的概念,并得到不协调信息表上、下近似约简的判定定理和可辨识矩阵,进而给出两种求解上、下近似约简的方法.最后,通过具体案例和数值实验证实了方法的可行性和有效性.
参考文献
View Option
[1]
Atanassov K T . Intuitionistic fuzzy sets
Fuzzy Sets and Systems ,1986 ,20 (1 ):87 -96 .
[本文引用: 1]
[2]
Zadeh L A . Fuzzy sets
Information and Control ,1965 ,8 (3 ):338 -353 .
[本文引用: 1]
[3]
那日萨 ,孔茸 ,高欢 . 基于深度学习的直觉模糊集隶属度确定方法
运筹与管理 ,2022 ,31 (2 ):92 -98 .
[本文引用: 1]
Na R S , Kong R , Gao H . Deep learning⁃based determination method for membership degree in intuitionistic fuzzy sets
Operations Research and Management Science ,2022 ,31 (2 ):92 -98 .
[本文引用: 1]
[4]
Deng Y , Ren Z Q , Kong Y Y ,et al . A hierarchical fused fuzzy deep neural network for data classification
IEEE Transactions on Fuzzy Systems ,2017 ,25 (4 ):1006 -1012 .
[5]
Zhang D , Li Y L , Wu C . An extended TODIM method to rank products with online reviews under intuitionistic fuzzy environment
Journal of the Operational Research Society ,2020 ,71 (2 ):322 -334 .
[6]
戴文战 ,王琪 . 基于PCNN与IFS的可见光与红外图像融合方法
光电子·激光 ,2020 ,31 (7 ):738 -744 .
[本文引用: 1]
Dai W Z , Wang Q . Research on fusion method of visible and infrared image based on PCNN and IES
Journal of Optoelectronics · Laser ,2020 ,31 (7 ):738 -744 .
[本文引用: 1]
[7]
Pawlak Z . Rough sets
International Journal of Computer & Information Sciences ,1982 ,11 (5 ):341 -356 .
[本文引用: 1]
[8]
Greco S , Matarazzo B , Slowinski R . Rough approximation of a preference relation by dominance relations
European Journal of Operational Research ,1999 ,117 (1 ):63 -83 .
[本文引用: 1]
[9]
Yao Y Y . Relational interpretations of neighborhood operators and rough set approximation operators
Information Sciences ,1998 ,111 (1-4 ):239 -259 .
[本文引用: 1]
[10]
Dubois D , Prade H . Rough fuzzy sets and fuzzy rough sets
International Journal of General Systems ,1990 ,17 (2-3 ):191 -209 .
[本文引用: 1]
[11]
Chen X W , Xu W H . Double⁃quantitative multigranulation rough fuzzy set based on logical operations in multi⁃source decision systems
International Journal of Machine Learning and Cybernetics ,2022 ,13 (4 ):1021 -1048 .
[本文引用: 1]
[12]
Che X Y , Mi J S , Chen D G . Information fusion and numerical characterization of a multi⁃source infor⁃mation system
Knowledge⁃Based Systems ,2018 ,145 :121 -133 . DOI:10.1016/j.knosys. 2018.01.008 .
[13]
王江荣 ,黄建华 ,罗资琴 ,等 . 基于粗糙集的Logistic回归模型在矿井突水模式识别中的应用
煤田地质与勘探 ,2015 ,43 (6 ):70 -74 .
Wang J R , Huang J H , Luo Z Q ,et al . Application of logistic regression model based on rough set in recognition of mine water inrush pattern
Coal Geology & Exploration ,2015 ,43 (6 ):70 -74 .
[14]
Sang B B , Chen H M , Yang L ,et al . Incremental attribute reduction approaches for ordered data with time⁃evolving objects
Knowledge⁃Based Systems ,2021 (212 ):106583 . DOI:10.1016/j.knosys. 2020. 106583 .
[本文引用: 1]
[15]
林冰雁 ,徐伟华 ,杨倩 . 带偏好度量的直觉模糊序决策信息系统的部分一致约简
计算机科学 ,2018 ,45 (1 ):148 -151 ,187 .
[本文引用: 1]
Lin B Y , Xu W H , Yang Q . Partially consistent reduction in intuitionistic fuzzy ordered decision information systems with preference measure
Computer Science ,2018 ,45 (1 ):148 -151 ,187 .
[本文引用: 1]
[16]
Chen Y M , Zeng Z Q , Zhu Q X ,et al . Three⁃way decision reduction in neighborhood systems
Applied Soft Computing ,2016 (38 ):942 -954 . DOI:10.1016/j.asoc.2015.10.059 .
[17]
龙柄翰 ,徐伟华 ,张晓燕 . 不协调目标信息系统中基于改进差别信息树的分布属性约简
计算机科学 ,2019 ,46 (S1 ):115 -119 .
[本文引用: 1]
Long B H , Xu W H , Zhang X Y . Distribution attribute reduction based on improved discernibility information tree in inconsistent system
Computer Science ,2019 ,46 (S1 ):115 -119 .
[本文引用: 1]
[18]
Ziarko W . Variable precision rough set model
Journal of Computer and System Sciences ,1993 ,46 (1 ):39 -59 .
[本文引用: 1]
[19]
Chen Y Y , Chen Y M . Feature subset selection based on variable precision neighborhood rough sets
International Journal of Computational Intelligence Systems ,2021 ,14 (1 ):572 -581 .
[本文引用: 1]
[20]
Chen P P , Lin M L , Liu J H . Multi⁃label attribute reduction based on variable precision fuzzy neighborhood rough set
IEEE Access ,2020 (8 ):133565 -133576 . DOI:10.1109/ACCESS.2020. 3010314 .
[21]
陈子春 ,秦克云 . 区间值信息系统在变精度相容关系下的属性约简
计算机科学 ,2009 ,36 (3 ):163 -166 .
[本文引用: 1]
Chen Z C , Qin K Y . Attribute reduction of interval⁃valued information system based on variable precision tolerance relation
Computer Science ,2009 ,36 (3 ):163 -166 .
[本文引用: 1]
[22]
Hu M , Tsang E C C , Guo Y T ,et al . A novel approach to attribute reduction based on weighted neighborhood rough sets
Knowledge⁃Based Systems ,2021 (220 ):106908 .
[本文引用: 1]
[23]
Xie X J , Qin X L , Yu C Q ,et al . Test⁃cost⁃sensitive rough set based approach for minimum weight vertex cover problem
Applied Soft Computing ,2018 (64 ):423 -435 . DOI:10.1016/j.asoc.2017. 12.023 .
[24]
Aggarwal M . Probabilistic variable precision fuzzy rough sets
IEEE Transactions on Fuzzy Systems ,2016 ,24 (1 ):29 -39 .
[本文引用: 1]
[25]
徐伟华 ,张文修 . 基于优势关系下的协调近似空间
计算机科学 ,2005 ,32 (9 ):164 -165 .
[本文引用: 1]
Xu W H , Zhang W X . Consistent approximation spaces based on dominance relations
Computer Science ,2005 ,32 (9 ):164 -165 .
[本文引用: 1]
[26]
徐泽水 . 直觉模糊信息集成理论及应用 . 北京 :科学出版社 ,2008 .
[本文引用: 2]
[27]
徐伟华 . 序信息系统与粗糙集 . 北京 :科学出版社 ,2013 .
[本文引用: 1]
[28]
张文修 ,梁怡 ,吴伟志 . 信息系统与知识发现 . 北京 :科学出版社 ,2003 .
[本文引用: 3]
[29]
陈德刚 ,徐伟华 ,李金海 ,等 . 粒计算基础教程 . 北京 :科学出版社 ,2019 .
[本文引用: 1]
Intuitionistic fuzzy sets
1
1986
... 1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域. ...
Fuzzy sets
1
1965
... 1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域. ...
基于深度学习的直觉模糊集隶属度确定方法
1
2022
... 1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域. ...
Deep learning?based determination method for membership degree in intuitionistic fuzzy sets
1
2022
... 1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域. ...
A hierarchical fused fuzzy deep neural network for data classification
0
2017
An extended TODIM method to rank products with online reviews under intuitionistic fuzzy environment
0
2020
基于PCNN与IFS的可见光与红外图像融合方法
1
2020
... 1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域. ...
Research on fusion method of visible and infrared image based on PCNN and IES
1
2020
... 1986年Atanassov基于模糊集理论[1 ] 提出直觉模糊集[2 ] ,在隶属度的基础上添加了非隶属度和犹豫度,更全面、精准地刻画了模糊概念.因此,和传统的模糊集概念相比,直觉模糊集能更有效地处理信息表中的不确定性和模糊性.该模型自提出以来,众多学者不断扩展,成功地将其应用在深度学习、排序分类、情感分析、决策准则、图像融合等[3 -6 ] 领域. ...
Rough sets
1
1982
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Rough approximation of a preference relation by dominance relations
1
1999
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Relational interpretations of neighborhood operators and rough set approximation operators
1
1998
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Rough fuzzy sets and fuzzy rough sets
1
1990
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Double?quantitative multigranulation rough fuzzy set based on logical operations in multi?source decision systems
1
2022
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Information fusion and numerical characterization of a multi?source infor?mation system
0
2018
基于粗糙集的Logistic回归模型在矿井突水模式识别中的应用
0
2015
Application of logistic regression model based on rough set in recognition of mine water inrush pattern
0
2015
Incremental attribute reduction approaches for ordered data with time?evolving objects
1
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
带偏好度量的直觉模糊序决策信息系统的部分一致约简
1
2018
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Partially consistent reduction in intuitionistic fuzzy ordered decision information systems with preference measure
1
2018
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Three?way decision reduction in neighborhood systems
0
不协调目标信息系统中基于改进差别信息树的分布属性约简
1
2019
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Distribution attribute reduction based on improved discernibility information tree in inconsistent system
1
2019
... 粗糙集模型是Pawlak[7 ] 于1982年提出的处理不确定性、不一致性、不完整性的有效工具,旨在从不一致完备决策表中提取确定性规则和可能性规则.近年来,许多学者在经典Pawlak粗糙集的基础上提出了优势粗糙集[8 ] 、邻域粗糙集[9 ] 、模糊粗糙集[10 ] 等模型.当前,这些理论模型也广泛应用于模式识别、知识发现[11 -14 ] 等领域.属性约简[15 -17 ] 作为粗糙集的重要应用,力求在不改变知识库分类和决策能力的同时,筛除表中冗余的属性,从而既不丢失必要信息又能降低决策的复杂程度. ...
Variable precision rough set model
1
1993
... 然而,Pawlak粗糙集模型要求其所处理的分类必须完全精确,即只考虑完全“包含”或“不包含”.针对此问题,Ziarko[18 ] 于1993年提出变精度粗糙集模型,通过引入阈值β 来放宽要求,考虑某种程度上的包含与否,进而提高模型分类的容错率.目前,许多学者利用变精度粗糙集在各类关系下对属性约简进行深入研究,并取得了诸多成果[19 -21 ] . ...
Feature subset selection based on variable precision neighborhood rough sets
1
2021
... 然而,Pawlak粗糙集模型要求其所处理的分类必须完全精确,即只考虑完全“包含”或“不包含”.针对此问题,Ziarko[18 ] 于1993年提出变精度粗糙集模型,通过引入阈值β 来放宽要求,考虑某种程度上的包含与否,进而提高模型分类的容错率.目前,许多学者利用变精度粗糙集在各类关系下对属性约简进行深入研究,并取得了诸多成果[19 -21 ] . ...
Multi?label attribute reduction based on variable precision fuzzy neighborhood rough set
0
区间值信息系统在变精度相容关系下的属性约简
1
2009
... 然而,Pawlak粗糙集模型要求其所处理的分类必须完全精确,即只考虑完全“包含”或“不包含”.针对此问题,Ziarko[18 ] 于1993年提出变精度粗糙集模型,通过引入阈值β 来放宽要求,考虑某种程度上的包含与否,进而提高模型分类的容错率.目前,许多学者利用变精度粗糙集在各类关系下对属性约简进行深入研究,并取得了诸多成果[19 -21 ] . ...
Attribute reduction of interval?valued information system based on variable precision tolerance relation
1
2009
... 然而,Pawlak粗糙集模型要求其所处理的分类必须完全精确,即只考虑完全“包含”或“不包含”.针对此问题,Ziarko[18 ] 于1993年提出变精度粗糙集模型,通过引入阈值β 来放宽要求,考虑某种程度上的包含与否,进而提高模型分类的容错率.目前,许多学者利用变精度粗糙集在各类关系下对属性约简进行深入研究,并取得了诸多成果[19 -21 ] . ...
A novel approach to attribute reduction based on weighted neighborhood rough sets
1
2021
... 在进行属性约简时总是将各个属性视作等权重这一习惯忽略了决策者自身的偏好,不符合实际情况,而属性加权根据各属性的重要程度赋予其不同的权重,可以更好地区分属性.通常,权重可以通过主观经验、个人喜好来设置,也可以通过先验知识习得[22 -24 ] . ...
Test?cost?sensitive rough set based approach for minimum weight vertex cover problem
0
Probabilistic variable precision fuzzy rough sets
1
2016
... 在进行属性约简时总是将各个属性视作等权重这一习惯忽略了决策者自身的偏好,不符合实际情况,而属性加权根据各属性的重要程度赋予其不同的权重,可以更好地区分属性.通常,权重可以通过主观经验、个人喜好来设置,也可以通过先验知识习得[22 -24 ] . ...
基于优势关系下的协调近似空间
1
2005
... 现实生活中,许多信息表受诸多因素影响是基于直觉模糊序关系的,而且是不协调的[25 ] .为了更有效地从不协调直觉模糊序决策信息表中提取简洁的不确定性命题,同时提高对噪音数据的容纳能力,本文引入带权重评分函数,并利用变精度粗糙集进行属性约简,构建加权变精度直觉模糊序决策信息表.接着,根据变精度上、下近似算子,引入近似函数、近似协调集和近似可辨识矩阵,进而得到近似约简的求解方法,并通过具体案例分析两种约简方法的有效性. ...
Consistent approximation spaces based on dominance relations
1
2005
... 现实生活中,许多信息表受诸多因素影响是基于直觉模糊序关系的,而且是不协调的[25 ] .为了更有效地从不协调直觉模糊序决策信息表中提取简洁的不确定性命题,同时提高对噪音数据的容纳能力,本文引入带权重评分函数,并利用变精度粗糙集进行属性约简,构建加权变精度直觉模糊序决策信息表.接着,根据变精度上、下近似算子,引入近似函数、近似协调集和近似可辨识矩阵,进而得到近似约简的求解方法,并通过具体案例分析两种约简方法的有效性. ...
2
2008
... 决策表涉及条件属性和决策属性,为了更好地探究条件属性同决策属性之间的关系,便于理解,首先介绍相关概念[26 -27 ] . ...
... 接下来,为论述方便介绍直觉模糊集的相关概念,详见文献[26 ]. ...
1
2013
... 决策表涉及条件属性和决策属性,为了更好地探究条件属性同决策属性之间的关系,便于理解,首先介绍相关概念[26 -27 ] . ...
3
2003
... 定义1[28 ] ...
... 定义2[28 ] ...
... 定义3[28 ] ...
1
2019
... 使用的计算机CPU为i5⁃11300H,内存为16 GB,Windows 11操作系统.实验程序采用Python 3.7.为进一步说明实验的有效性,将下近似约简算法VDR、上近似约简算法VUR与MR[29 ] 进行比较,分别在KNN,SVM,BayesNet,RandomTree四个分类器上对约简结果进行分类,得到对应的分类精度如表6 和表7 所示. ...