鄰域?；植谟?jì)算的關(guān)鍵技術(shù)研究與應(yīng)用.pdf

1、粗糙集作為不確定性分析的重要數(shù)學(xué)工具，在人工智能、數(shù)據(jù)挖掘、模式識(shí)別等領(lǐng)域被廣泛應(yīng)用。經(jīng)典的Pawlak粗糙集模型存在只能夠處理字符屬型數(shù)據(jù)的局限性。近些年來，國內(nèi)外眾多學(xué)者提出了許多Pawlak粗糙集的擴(kuò)展模型，其中鄰域粗糙集是經(jīng)典粗糙集模型的重要推廣研究之一。它將Pawlak粗糙集的等價(jià)粒化方式推廣成將相似的元素歸為一族的鄰域?；绞剑纱丝梢愿玫靥幚碜址麑傩院蛿?shù)值屬性共存的數(shù)據(jù)樣本。隨著信息技術(shù)地不斷進(jìn)步，數(shù)據(jù)智能處理研究方向的

2、新問題也隨之出現(xiàn)。這為鄰域粗糙集的研究與應(yīng)用帶來了新的挑戰(zhàn)。例如，在雙論域場景如何構(gòu)建鄰域粗糙集模型；鄰域?；绞脚c其他粒化模型的差異性應(yīng)該如何表達(dá)；如何更好地利用鄰域粗糙集解決實(shí)際環(huán)境中的新問題中等等。針對(duì)這些問題，我們對(duì)鄰域粗糙集模型做了深入地分析與研究，主要工作包括以下幾個(gè)方面：
　　(1)面向雙論域結(jié)構(gòu)，提出了雙論域上的鄰域粗糙集模型。同時(shí)針對(duì)其下近似計(jì)算過于嚴(yán)格，而上近似逼近程度無法量化描述的問題，提出了變精度的雙論域鄰

3、域粗糙集模型。針對(duì)雙論域轉(zhuǎn)單論域后不完備的信息系統(tǒng)，定義了容差鄰域熵并討論了基于容差鄰域熵的屬性對(duì)決策重要度評(píng)估方法。
　　(2)針對(duì)不同核粒化結(jié)構(gòu)存在差異性的問題，建立了多核?；植诩Ｐ?，詳細(xì)討論了模型近似算子的相關(guān)性質(zhì)，并提出基于多核粒化近似質(zhì)量的屬性對(duì)決策重要度評(píng)估方法。進(jìn)一步分析了粗糙集計(jì)算可分為?；痛植诒平鼉蓚€(gè)步驟，總結(jié)了已有研究中多粒度表達(dá)都是在粗糙逼近這一階段的現(xiàn)狀，提出了基于?；亩嗔６缺磉_(dá)思想，定義了開放多粒

4、度熵和保守多粒度熵。最后提出了基于多粒度熵的屬性對(duì)決策重要度評(píng)估方法，并通過實(shí)驗(yàn)驗(yàn)證了方法的有效性。
　　(3)傳統(tǒng)的屬性選擇方法只關(guān)注屬性個(gè)體對(duì)決策重要程度卻忽略了屬性個(gè)體在屬性子集中的貢獻(xiàn)度。針對(duì)這一問題，首先用鄰域熵重新定義屬性的獨(dú)立性、相關(guān)性和冗余性。進(jìn)一步結(jié)合合作博弈理論，提出基于鄰域熵的屬性貢獻(xiàn)度評(píng)估方法，對(duì)能夠幫助其他條件屬性提高分類能力的屬性個(gè)體給出較高的貢獻(xiàn)度值。在屬性的選擇問題中，考慮了屬性貢獻(xiàn)度和屬性對(duì)決策重

5、要度兩方面因素。最后通過實(shí)驗(yàn)分析，驗(yàn)證了模型的有效性。
　　(4)傳統(tǒng)的偏好挖掘方法很難處理新用戶與新物品同時(shí)存在的冷啟動(dòng)問題。針對(duì)這一現(xiàn)狀，提出了基于雙論域鄰域粗糙集的偏好挖掘模型。用鄰域粒子來描述具有相似關(guān)系的用戶或者物品，并用雙論域鄰域粗糙集的下近似算子定義了偏好規(guī)則。面向常見的5分評(píng)分系統(tǒng)，提出了基于評(píng)分基線評(píng)估的雙論域映射構(gòu)建方法，通過“正映射”來挖掘代表“喜歡”的正偏好規(guī)則。最后通過實(shí)驗(yàn)驗(yàn)證了區(qū)分正、負(fù)映的合理性，并討

6、論了模型參數(shù)的選擇問題。實(shí)驗(yàn)表明了本文模型相比于Pawlak雙論域粗糙集模型更適用于偏好挖掘問題。
　　總體來說，本文從鄰域?；袜徲虼植诒平鼉煞矫鎭硌芯苦徲虼植诩Ｐ?。在鄰域?；矫?，提出了容差鄰域熵和多粒度熵相概念，并用熵來刻畫了屬性的對(duì)決策的重要度和在屬性子集中的貢獻(xiàn)度，最后將這種基于熵的屬性評(píng)估方法應(yīng)用于屬性選擇問題。在鄰域粗糙逼近問題研究中，我們我們討論了使用多核?；陆扑阕觼矶x屬性對(duì)決策重要度的問題，并將雙論域鄰域