粗糙數(shù)據(jù)分析模型與算法研究.pdf

1、隨著信息技術的迅猛發(fā)展，數(shù)據(jù)種類日趨復雜，規(guī)模不斷增長，形成了大量類型復雜、形式異構的高維海量數(shù)據(jù)。在諸如社會經(jīng)濟、政治、環(huán)境和健康等與人類生產(chǎn)、生活息息相關的領域，數(shù)據(jù)已成為知識的主要載體。如何挖掘隱藏在海量復雜數(shù)據(jù)中的重要的信息和知識，已成為人工智能研究領域面臨的主要困難之一。
　　數(shù)據(jù)挖掘正是在人類這種從數(shù)據(jù)中獲取有用知識的迫切需求下產(chǎn)生的，它是一個多學科交叉的研究領域，其主要任務有分類預測、聚類分析、關聯(lián)分析等。粗糙集理論

2、是數(shù)據(jù)挖掘領域中的重要方法，其最顯著的優(yōu)點是僅利用數(shù)據(jù)本身提供的信息，就可以實現(xiàn)分類預測與關聯(lián)分析等挖掘任務。該理論已經(jīng)被成功應用在許多科學與工程領域，是當前人工智能理論及其應用領域中的研究熱點之一。
　　本文針對粗糙數(shù)據(jù)分析的關鍵問題，從鄰域粗糙集模型、模糊粗糙集模型、粗糙集理論中的不確定性度量、基于粗糙集的特征選擇算法及其評價等方面開展深入系統(tǒng)的研究，獲得的主要研究成果和創(chuàng)新概括如下:
　　(1)深入分析了基于鄰域關系的

3、信息粒化方法和基于模糊關系的信息?；椒?，建立了鄰域信息粒與模糊信息粒的聯(lián)系;揭示了鄰域粗糙集模型、Hu模糊粗糙集模型、Wang模糊粗糙集模型、Dubois模糊粗糙集模型和Radzikowska模糊粗糙集模型之間的關系，為粗糙數(shù)據(jù)分析中的模型選擇提供了理論依據(jù)，有助于建立面向數(shù)值型數(shù)據(jù)的統(tǒng)一粗糙集模型。
　　(2)建立了粗糙性度量的公理化定義，給出了隨機熵、模糊熵隨論域劃分的變化機制，揭示了粗糙集理論框架下隨機性、模糊性與粗糙性之

4、間內(nèi)在聯(lián)系，給出了判別模糊熵能否度量粗糙性的判別方法，提出了基于隨機熵和模糊熵的粗糙性度量，為粗糙性的度量提供了約束性理論與可行性方法。
　　(3)構造了Shannon熵和互補熵意義下的區(qū)分矩陣，給出了相應的完備屬性約簡方法，揭示了不同意義下屬性約簡的相互關系，提出了基于模糊熵的決策表粗糙性度量，設計了保持粗糙度不變的屬性約簡算法。定義了模糊近似空間中的互補熵，證明了其隨模糊劃分變化的單調(diào)性，給出了基于模糊互補熵的屬性約簡算法，并

5、將其應用于混合數(shù)據(jù)的屬性約簡。
　　(4)給出了整體確信度、整體協(xié)調(diào)度和整體支持度三個決策性能指標隨論域劃分的變化機制，分析了正域約簡、Shannon熵約簡和互補熵約簡對決策表決策性能的影響，為針對實際應用選擇約簡算法提供了理論依據(jù)。
　　通過以上系統(tǒng)研究，本文在粗糙數(shù)據(jù)分析的模型與算法方面取得了系統(tǒng)的研究結果，建立了鄰域粗糙集模型與模糊粗糙集模型之間的聯(lián)系，揭示了粗糙性產(chǎn)生的原因，給出了基于隨機熵和模糊熵的粗糙性度量，提出