粗糙集-属性约简-matlab程序 Data2为条件属性，decision2为决策属性 %%%my_test函数实现 clc; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%读取信息系统文件 file = textread('data2.txt','%s','delimiter','\n','whitespace',''); %读取文件信息，每一行为一个胞元 [m,n]=size(file); %胞元的大小 for i=1:m words=strread(file{i},'%s','delimiter',' ');%读取每个胞元中字符，即分解胞元为新的胞元 words=words';%转置 X{i}=words; end X=X'; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% [B,num,AT]=my_reduct(X); %信息系统的约简 ind_A T=ind(X); %信息系统的不可等价关系 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%显示约简信息系统 disp('约简后的条件系统为：'); [m,n]=size(B); for i=1:m disp(B{i}); end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%读取决策系统文件 file = textread('decision2.txt','%s','delimiter','\n','whitespace',''); [m,n]=size(file); for i=1:m words=strread(file{i},'%s','delimiter',' '); words=words'; D{i}=words; end D=D'; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%决策系统的正域约简 X_D=X; [l,k]=size(X_D{1}); pos_d=pos(X_D,D);%正域 for i=1:m %%%%%%%%%%%%%%正域有问
控制理论与应用 CONTROL THEORY & APPLICATIONS 1999年 第16卷 第2期 Vol.16 No.2 1999 粗糙集理论及其应用综述* 韩祯祥 张琦 文福拴 摘要：粗糙集理论是一种较新的软计算方法，可以有效地分析和处理不完备信息.该理论近年日益受到国际学术届的重视，已经在模式识别、机器学习、决策支持、过程控制、预测建模等许多科学与工程领域得到成功的应用.本文介绍了粗糙集理论的基本概念，对其在各领域的应用情况进行了综述. 关键词：粗糙集；不确定性；数据分析；软计算；粗糙控制 A Survey on Rough Set Theory and Its Application Han Zhenxiang, Zhang Qi and Wen Fushuan (Department of Electrical Engineering, Zhejiang University.Hangzhou,310 027,P.R.China) Abstract: Rough set theory is a relatively new soft comput ingtool to deal with vagueness and uncertainty.It has received much attention of the researchers around the world.Rough set theory has been applied to many area s successfully including pattern recognition,machine learning,decision support, process control and predictive modeling.This paper introduces the basic concepts of rough set.A survey on its applicatoins is also given. Key words: rough set; uncertainty; data analysis; soft computing; rough control 1 引言(Introduction) 粗糙集(Rougn Set,RS)理论是一种刻划不完整性和不确定性的数学工具，能有效地分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律［1］.RS理论是由波兰学者Pawlak Z在1982年［2］提出的.1991年Pawlak Z出版了专著［3］，系统全面地阐述了RS理论，奠定了严密的数学基础.该书与1992年出版的RS理论应用专集［4］较好地总结了这一时期RS理论与实践的研究成果，促进了它的进一步发展，现已成为学习和应用RS理论的重要文献.从1992年至今，每年都召开以RS 为主题的国际会议，推动了RS理论的拓展和应用.国际上成立了粗糙集学术研究会，参加的成员来自波兰、美国、加拿大、日本、挪威、俄罗斯、乌克兰和印度等国家.目前RS理论已成为人工智能领域中一个较新的学术热点，引起了越来越多的科研人员的关注. 2 粗糙集理论的基本概念(Basic concepts of rough set theory) 2.1 知识与不可分辨关系(Knowledge and indiscern ibility relation) 在RS理论中，“知识”被认为一种将现实或抽象的对象进行分类的能力［3］.假定
模糊集与粗糙集的简单入门 1.前言 Zadeh在1965年创立了模糊集理论[1],Pawlak在1982年又给出了粗糙集的概念[2],模糊集理论和粗糙集理论都是研究信息系统中只是不完全,不确定问题的两种方法,是经典集合论的推广,它们各自具有优点和特点,并且分别在许多领域都有成功的应用,如模式识别、机器学习、决策分析、决策支持、知识获取、知识发现等.模糊理论是简历集合的子集边缘的病态定义模型,隶属函数多数是凭经验给出的,带有明显的主观性;粗糙集理论基于集合中对象间的不可分辨行的思想,作为一种刻画不完整想和不确定性的数学工具,它无需任何先验信息,能邮箱分析处理不精确、不完整等不完备信息,对不确定集合的分析方法是客观的.两种理论之间有着密切的关系和很强的互补性,同事粗糙集理论和模糊集理论可以进行结合,产生粗糙模糊集理论和模糊粗糙集理论,并且发挥着不同的优势. 本文在已有的模糊集理论和粗糙集理论的基础之上,分析和总结了模糊集和粗糙集理论,对二者进行了全面的比较. 2.基本概念 这部分将集中介绍模糊集和粗糙集的基本概念及其性质. 2.1模糊集 模糊理论[3][4]是一种用以数学模型来描述语意式的模糊信息的方法.模糊概念也是没有明确外延的概念.根据普通集合论的要求,一个对象对应于一个集合,要么属于,要么不属于,二者必居其一;而模糊集则通常用隶属函数表示模糊概念.
2.1.1模糊集合的基本定义 定义 1 设X 是有限非空集合,称为论域,X 上的模糊集 A 用隶属函数表示如下: :[0,1], ()A X x A x →→ 其中()A x 表示元素x 隶属于模糊集合A 的程度,记X 上的模糊集合全体为()F X . 模糊集合的数学表示方式为 {(,(x))|}, ()[0,1]A x A x X where A x =∈∈ 2.1.2模糊集合的运算 设,A B 为X 上的两个模糊集,它们的并集,交集和余集都是模糊集,且其隶属函数分别定义为 max{(),()} A B A x B x x X =?∈ min{(),()} A B A x B x x X =?∈ 1A A ?=- 2.1.3 模糊集合的关系 模糊集合之间关系的表示方式,是以集合所存在的隶属函数(),()A x B x 作为集合之间的关系表示的. (1) 模糊集合之间的相等: ()() A B A x B x x X =?=?∈ (2) 模糊集合之间的包含: ()() A B A x B x x X ??≤?∈
粗糙集属性决策表约简算法研究 薛楠，刘守荣 中国农业大学工学院，北京（100083） E-mail ：xue_nan@https://www.doczj.com/doc/f011795066.html, 摘 要：本论文通过对无决策属性的粗糙集决策表的研究，按照粗糙集最小决策算法的原则，提出一种新的核属性算法和最小决策算法。实验验证，基于以上两种算法开发出的程序简单易懂，并且源代码少，能广泛适用于所有无决策属性的粗糙集决策表模型分析。 关键词：粗糙集；决策属性表；核属性算法；最小决策算法 中图分类号：TP301 0. 引言 粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。目前粗糙集理论已被成功的应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。[1][2]现实中经常遇到含有大量信息的决策表，人工计算耗时耗力。本文通过对粗糙集核属性和最小决策算法的公式的研究，提出一种新的核属性算法和最小决策算法。通过编程验证，该算法能够更简捷明了的计算核属性并得出最小决策表，能够广泛适用于所有无条件属性和决策属性的粗糙集决策表模型分析。 1. 粗糙集核属性算法 1.1 粗糙集基本理论 定理1设U ≠?是我们感兴趣的对象组成的有限集合，称为论域。任何子集X U ?称 为U 中的一个概念和范畴。U 上的一族划分成为关于U 的一个知识库（knowledge base ） 。 定理2设R 是U 上的一个等价关系，U /R 表示R 的所有等价类（或者U 上的分类）构成的集合，[]R x 表示包含元素x U ∈的R 等价类。一个知识库就是一个关系系统 (,)K U R =,其中设U ≠?是非空有限集合，称为论域，R 是U 上的一个等价关系。[3] 定理3若P R ?，且P ≠?，则P ∩（P 中所有等价关系的交集）也是一个等价关系，称为P 上的不可区分(indiscernibility)关系,记为ind(P ),且有： [][]()ind P R R P x x ∈=∩
Computer Knowledge And Technology电脑知识与技术2008年第4卷第1期（总第28期） 粗糙集理论及其应用与发展研究 韦良 （同济大学电子与信息工程学院，上海201804） 摘要：粗糙集理论是一种研究不精确、不确定性、处理不完备知识的数学工具，目前被广泛应用于人工智能、模式识别、机器学习、决策支持和数据挖掘等领域。该文通过介绍粗糙集理论及特点，叙述了粗糙集理论在各领域的应用发展情况，并且展望了其未来发展趋势。 关键词：粗糙集；属性约简；粗糙集应用；数据挖掘 中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)28-0172-03 Rough Set Theory and Its Application Research WEI Liang (Electronics and Information School,Tongji University,Shanghai201804,China) Abstract:Rough set theory is a math theory which processes non-accurate,uncertain and incomplete knowledge.Currently,it has already been applied successfully in the area of Artificial Intelligence,Pattern Recognition,Machine Learning,Decision Analyzing and Data Mining etc.This paper introduces the rough set theory and its characteristics,reviews the development of this theory in different fields,and suggests evolutional trend in the coming future. Key words:rough set;attribute reduction;rough set application;data mining 1引言 波兰数学家Pawlak于1982年提出的粗糙集理论是一种新的处理模糊和不确定性知识的数学工具[1]。其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。粗糙集理论能有效地分析和处理不精确、不一致和不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。以粗糙集理论为基本框架的知识发现过程的研究，越来越引起人们的关注，特别是将粗糙集理论与机器学习、模式识别、数据库理论等相结合，并融合其它有效的数学工具与方法的研究，显示出基于粗糙集理论的多种软计算方法相结合算法在知识发现和优化过程中的强大的优越性，为知识发现的理论基础提供了一定的依据。目前粗糙集理论已成为人工智能领域中一个较新的学术热点，引起了越来越多科研人员的关注。 2粗糙集理论的基本概念 设U是非空有限论域，R是U上的二元等价关系，R称为不可分辨关系，序对A=(U,R)称为近似空间。坌(x,y)∈U×U，若(x,y)∈R，则称对象x与y在近似空间A中是不可分辨的。U/R是U上由R生成的等价类全体，它构成了U的一个划分。可以证明，U上划分可以与U上的二元等价关系之间建立一一对应。U/R中的集合称为基本集或原子集。若将U中的集合称为概念或表示知识，则A= (U,R)称为知识库，原子集表示基本概念或知识模块。任意有限的基本集的并和空集均称为可定义集，否则称为不可定义的。可定义集也称为精确集，它可以在知识库中被精确地定义或描述，可表示已知的知识。可以验证所有可定义集全体可构成U上的一个拓扑。 令知识库K=(U,R)，集合X哿U，R是一个等价关系： 分别称RX为X的R下近似（Lower Approximation）和RX为X的R上近似（Upper Approximation）。称集合BN R(X)=RX-RX为X 的R边界域；POS R(X)RX为X的R正域；NEG R(X)=U-RX为X的R负域。 下近似RX包含了所有使用知识R可确切分类到概念X的元素。上近似 RX则包含了所有那些可能是属于概念X的元素。概念的边界区域BN R(X) 由不能肯定分类到这个概念X或其补集X中的所有元素组成。关系如图1 所示。 刻画粗糙集的方法有以下两种：一种是用表示近似精度的数值表示粗 糙集的数字特征；数字特征表示粗糙集边界域的相对大小，但没有说明边 界域的结构。另一种是用粗糙集的拓扑分类表示粗糙集的拓扑特征。拓扑 特征给出边界域的结构信息，但没有给出边界域大小的信息。 由等价关系R定义的集合X的近似精度如下： 收稿日期：2008-07-03 作者简介：韦良（1982-），男（朝鲜族），黑龙江牡丹江人，在读硕士研究生，研究方向：数据挖掘，人工智能，粗糙集应用。 图1概念的上近似、下近似和区域表示 ISSN1009-3044 Computer Knowledge And Technology电脑知识与技术 Vol.4,No.1,October2008,pp.172-174 E-mail:eduf@https://www.doczj.com/doc/f011795066.html, https://www.doczj.com/doc/f011795066.html, Tel:+86-551-56909635690964 172 本栏目责任编辑：唐一东人工智能及识别技术
文献综述 数学与应用数学 决策粗糙集均值模型 由于社会已经进入了网络信息时代，信息量不断增长（信息爆炸），并且由于人类的参与，使数据与信息系统中的不确定性更加显著（复杂系统）。面对大量的、杂乱无章的数据，人们希望能从中挖掘出潜在的、有用的信息，这给人类的智能信息处理能力提出了前所未有的挑战。由此产生了人工智能的新领域——知识发现（规则提取、数据挖掘和机器学习）。 波兰数学家Pawlak于1982年发表了论文“Rough Sets”[9]提出了一种能够定量分析处理不精确、不一致、不完整信息与知识的理论——粗糙集理论。1992年，第一届关于粗糙集理论国际学术会议在波兰召开。粗糙集的主要特点是不需要预先给定所需处理的数据集合之外的任何信息，而是直接从给定问题的分类知识出发，提供潜在知识和决策支持。国内外学者对该理论进行了广泛而深入的研究，提出了许多粗糙集模型，并且已经成功应用于很多领域和开发了大量的实用系统[7]。目前，对粗糙集理论的研究集中在它的数学性质、粗糙集拓展、其它不确定方法的关系和互补、有效算法和粒度计算等方面。目前，有3个有关粗糙集的系列国际会议，即RSCTC、RSFDGrC和RSKT。中国学者在这方面虽然起步晚，但发展较快，从2001年开始每年召开中国粗糙集与软计算学术会议；2003年中国人工智能学会粗糙集与软计算专业委员会成立；一系列学术会议也有在中国召开，特别值得一提的是2010年第二届国际粗糙集理论研讨会在我校（浙江海洋学院）召开。中国第四届粗糙集与软计算会议也于2004年10月24日在我校召开，大大增加了我校在国内外的知名度。 在经典粗糙集理论的研究中，Pawlak的代数粗糙集模型是研究的主要对象。粗糙集理论是建立在分类机制的基础上的。它将研究对象组成的集合称为论域，将分类理解为在论域上的等价关系，而等价关系构成了对该论域的划分。粗糙集理论将知识理解为对数据的划分,每一被划分的集合称为概念或范畴。一个等价关系对应一个划分，把论域分解成子集族，作为描述论域中任意概念的基本信息粒子。这产生了一个颗粒集合，其中一个颗粒看作一丛点（对象），因其不可区分性、相似性、接近的功能而被看做一致[24]。 对于一个等价关系（划分），某些子集不能精确地由一个等价类或者几个等价类来表