多標記數(shù)據的粗糙集模型與算法研究.pdf

1、作為多義性數(shù)據的學習建模框架，多標記學習已成為機器學習領域一個新的研究熱點。和傳統(tǒng)的監(jiān)督學習問題一樣，數(shù)據樣本中的隨機性、模糊性和不一致性等多種不確定性因素也是多標記學習面臨的主要困難?，F(xiàn)有的多標記學習方法或者是通過問題轉換方法“改造數(shù)據適應算法”，或者是通過算法適應方法“改造算法適應數(shù)據”，均是基于以統(tǒng)計學習為理論基礎的學習算法。而統(tǒng)計學習理論關注的是數(shù)據的隨機性，并不包含處理其他類型不確定性的理論機制。分析并處理多標記數(shù)據中存在的其

2、他類型的不確定性，如模糊性和不一致性，目前在多標記學習中還鮮有涉及。
　　粗糙集理論模擬人類對于客觀世界認知的不完備性，用精確的數(shù)學工具刻畫數(shù)據中存在的不一致性，被認為是一種客觀地處理數(shù)據不一致性的數(shù)學工具。本文分析多標記數(shù)據中客觀存在的不一致性，發(fā)展了面向多標記數(shù)據建模、分析與計算的粗糙集理論與算法。所獲研究成果既豐富了多標記數(shù)據分析的技術手段，又豐富了粗糙集理論的數(shù)據適用范圍，對數(shù)據挖掘和知識發(fā)現(xiàn)具有重要的理論意義和應用價值。

3、主要研究成果包括:
　　(1)在粗糙集框架下，深入分析了多標記數(shù)據的標記不確定性，提出了多標記粗糙算子，進而建立了多標記粗糙集模型;進一步研究了多標記粗糙算子的數(shù)學性質，從而揭示了其?；频谋举|特征;并研究了多標記粗糙算子與經典粗糙算子的關系，證明了多標記粗糙算子是經典粗糙算子的泛化;此外考慮數(shù)據的噪音，建立了變精度多標記粗糙集模型。
　　(2)定量分析了多標記粗糙集模型和變精度多標記粗糙集模型的標記近似粗糙性，提出了標記

4、精度、標記粗糙度、標記質量、標記近似精度、標記近似質量、標記依賴度等多種不確定性度量;分析了包含度與提出的各種度量之間的關系，證明了多標記粗糙集數(shù)據分析的有關度量可歸結為包含度。
　　(3)基于多標記粗糙集模型的?；茩C制，提出了保持標記不確定性不變的多標記屬性約簡方法，即互補決策約簡;分析了互補決策約簡和兩種代表性屬性約簡之間的關系，從而揭示了互補決策約簡在處理多標記數(shù)據方面的優(yōu)勢;提出了基于區(qū)分矩陣的互補決策約簡的計算方法，