Rough集理論及其應用中若干問題的研究.pdf

1、Rough集理論是Pawlak教授在20世紀80年代初提出的一種用于不確定和含糊數(shù)據(jù)分析的有效數(shù)學方法。在其后的20年中，Rough集理論在其理論研究和實際應用兩方面都取得了長足的進展。目前，作為軟計算方法的重要分支，Rough集理論涉及的領(lǐng)域包括模式識別、機器學習、決策分析、數(shù)據(jù)庫中的知識發(fā)現(xiàn)、專家系統(tǒng)等。本文對Rough集理論及其應用中的一些問題進行了研究，主要的工作和取得的成果概括如下： ·不一致決策表的知識約簡方法．目前

2、計算不一致決策表的分布約簡、最大分布約簡和分配約簡的方法均基于區(qū)分矩陣，在大數(shù)據(jù)集下將耗費較多計算時間。對此提出了一種轉(zhuǎn)換算法，將原不一致決策表上述三種約簡的計算轉(zhuǎn)換為對三種導出的一致決策表Pawlak約簡的計算，進而利用針對Pawlak約簡的高效啟發(fā)式知識約簡算法降低計算的開銷。 ·不完備決策表的啟發(fā)式知識約簡算法．基于容差關(guān)系的Rough集模型是描述不完備決策表最常用的一種模型。在該模型下，廣義決策約簡是最常見的一種知識約簡

3、。目前一般是通過基于區(qū)分矩陣的方法計算這種約簡，同樣不適合數(shù)據(jù)量較大的情況。對此，在對與廣義決策約簡相關(guān)的性質(zhì)進行分析的基礎(chǔ)上定義了屬性重要性，并以此作為啟發(fā)式信息提出了一種完備的屬性約簡算法。 ·變精度Fuzzy Rough集的新定義．Fuzzy Rough集和Rough集類似，容易受到噪音數(shù)據(jù)的影響。針對這個缺點，研究者們受到變精度Rough集模型的啟發(fā)，提出了變精度Fuzzy Rough集的概念。但現(xiàn)有的變精度Fuzzy

4、Rough集模型并沒有繼承一些Rough集，變精度Rough集和Fuzzy Rough集所共有的基本性質(zhì)。針對這一問題，提出了Fuzzy近似空間中某一Fuzzy集的β-下近似和β-上近似的新定義方式。該定義能夠滿足上述基本性質(zhì)。 ·基于Rough集理論的交叉算子．根據(jù)人類DNA研究結(jié)果的啟示，提出了一種基于Rough集理論的交叉算子，以克服傳統(tǒng)交叉算子易于破壞定義長度較長、階數(shù)較高的優(yōu)良模式的缺點。利用這種交叉算子可以發(fā)現(xiàn)有效模

5、式，同時保證這些有效模式即使在其定義長度較長、階數(shù)較高時也不易在基因重組過程中被破壞。 ·基于Rough集理論的兩階段禁忌搜索算法．基于Rough集理論，提出了一種多樣性搜索和集中性搜索分開進行的兩階段禁忌搜索算法，用于以TSP為代表的組合優(yōu)化問題。該算法與大多數(shù)自適應禁忌搜索算法不同，沒有采用動態(tài)調(diào)整禁忌搜索參數(shù)的方式平衡集中性搜索和多樣性搜索，而是采用了兩階段搜索策略。第一階段為多樣性搜索。此階段主要通過激勵搜索過程遠離起點

6、，對解空間進行相當程度的探索。在此基礎(chǔ)上構(gòu)造希望區(qū)域決策表，繼而求解其知識約簡并構(gòu)造希望區(qū)域。第二階段為集中性搜索。此階段以希望區(qū)域包含的最佳解為起點進行集中性搜索。在搜索過程中，參照希望區(qū)域的信息對當前解的選擇進行有條件的限制，以靈活利用多樣性搜索得到的關(guān)于路徑的有用信息。 ·基于Rough集理論的聚類有效性指數(shù)．綜合了目前常見的兩類聚類有效性指數(shù)的基本思路，提出了一種針對Fuzzy c-均值算法的聚類有效性指數(shù)。該指數(shù)用類中

7、心的距離和類的重疊程度兩方面的信息來衡量模糊類之間的差異程度，并利用Fuzzy Rough集中的相關(guān)概念度量劃分的一致性。在此基礎(chǔ)上可以找到較為合理的劃分。 ·基于Rough集理論的指代消解方法．提出了一種結(jié)合Fuzzy Rough集的基于實例學習方法，應用于中文文本中人稱代詞消解的研究。該方法的第一步是預處理，得到候選實例集合，然后按照僅涉及淺層語法和語義知識的屬性集對其中的每個名詞短語進行標記。第二步選擇代表性較強的實例，并