期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于蕴涵式直觉模糊推理的IFRS上、下近似推理
1
作者 田野 史向峰 龙戈农 《计算机应用》 CSCD 北大核心 2016年第A01期72-74,共3页
针对粗糙集和模糊粗糙集推理的局限性,介绍了直觉模糊集中蕴涵式直觉模糊推理算法,提出了一种基于蕴涵式直觉模糊推理的IFRS上、下近似推理算法。该算法引入了直觉模糊粗糙集(IFRS)模型,并将直觉模糊条件推理中的蕴涵式直觉模糊推理扩... 针对粗糙集和模糊粗糙集推理的局限性,介绍了直觉模糊集中蕴涵式直觉模糊推理算法,提出了一种基于蕴涵式直觉模糊推理的IFRS上、下近似推理算法。该算法引入了直觉模糊粗糙集(IFRS)模型,并将直觉模糊条件推理中的蕴涵式直觉模糊推理扩展到直觉模糊粗糙集(IFRS)环境下,通过计算集合的上下近似来更好地表现最终推理结果的模糊性。最后通过一个算例说明算法的可行性,算例表明推理结果是通过上下近似表示的两个直觉模糊集合,且其隶属度函数值与非隶属度函数值相加小于等于1。 展开更多
关键词 直觉模糊推理 蕴涵式 直觉模糊粗糙集 上、下近似推理
在线阅读 下载PDF
属性值变化时变精度粗糙集模型中近似集动态更新的矩阵方法研究 被引量:8
2
作者 王磊 洪志全 万旎 《计算机应用研究》 CSCD 北大核心 2013年第7期2010-2013,共4页
为了从矩阵的视角探讨信息系统动态知识更新的有效方法和途径,提出了信息系统的属性值发生变化时变精度粗糙集模型中概念上、下近似集增量式更新的矩阵方法并构造出相应的算法;随后在MATLAB平台上开发出近似集增量式更新和非增量式更新... 为了从矩阵的视角探讨信息系统动态知识更新的有效方法和途径,提出了信息系统的属性值发生变化时变精度粗糙集模型中概念上、下近似集增量式更新的矩阵方法并构造出相应的算法;随后在MATLAB平台上开发出近似集增量式更新和非增量式更新的两类矩阵算法的程序;最后在UCI数据集上进行两种矩阵算法的性能测试。测试结果表明,概念近似集增量式更新矩阵算法的可行、简洁和高效。 展开更多
关键词 变精度粗糙集模型 上、下近似 增量式更新 矩阵
在线阅读 下载PDF
一类覆盖近似算子的动态更新方法
3
作者 李长清 张燕兰 《计算机科学》 CSCD 北大核心 2016年第1期73-76,共4页
粗糙集理论是一种有效的数据挖掘工具,覆盖粗糙集理论是粗糙集理论中的重要部分。给出了一对覆盖近似算子随数据对象增加的更新方法,并以实例说明了所提出的更新方法的有效性。
关键词 覆盖粗糙集 覆盖上、下近似算子 时间动态
在线阅读 下载PDF
多粒度近似空间的模糊粗糙集模型 被引量:5
4
作者 胡谦 秦克云 《郑州大学学报(理学版)》 CAS 北大核心 2020年第4期60-66,共7页
粗糙集理论是一种处理不完备、不确定性数据的有效数学工具。多粒度的提出可以很好地解决描述粒计算理论中多视角的概念,但是原始的多粒度模型中上、下近似定义里的条件过于严苛或过于松弛且无法区分不同粒度的重要性。为使多粒度模型... 粗糙集理论是一种处理不完备、不确定性数据的有效数学工具。多粒度的提出可以很好地解决描述粒计算理论中多视角的概念,但是原始的多粒度模型中上、下近似定义里的条件过于严苛或过于松弛且无法区分不同粒度的重要性。为使多粒度模型更适用于实际数据,更好地考虑不同粒度的重要性,提出一种处理数据的方法,可以从多粒度近似空间中得到基于对象的不同粒度的重要度,进而构建对象之间的相似度,然后得到上、下近似。最后讨论了多粒度近似空间中用该方法得到的上、下近似与其他形式的多粒度上、下近似之间的关系。 展开更多
关键词 粗糙集 模糊集 多粒度近似空间 多粒度上、下近似 模糊粗糙集
在线阅读 下载PDF
知识系统中全粒度粗糙集及概念漂移的研究 被引量:9
5
作者 邓大勇 卢克文 +1 位作者 苗夺谦 黄厚宽 《计算机学报》 EI CSCD 北大核心 2019年第1期85-97,共13页
概念漂移探测是数据流挖掘的一个研究重点,不确定性分析是粗糙集理论的研究核心之一.大数据、数据流中存在不确定变化和概念漂移现象,但是,除F-粗糙集外,几乎所有的粗糙集模型都是静态模型或半动态模型,专注于各种不确定性研究,难以处... 概念漂移探测是数据流挖掘的一个研究重点,不确定性分析是粗糙集理论的研究核心之一.大数据、数据流中存在不确定变化和概念漂移现象,但是,除F-粗糙集外,几乎所有的粗糙集模型都是静态模型或半动态模型,专注于各种不确定性研究,难以处理不确定性变化,也难以探测概念漂移.结合量子计算、数据流、概念漂移和粗糙集、F-粗糙集的基本观点,以上、下近似为工具,定义了知识系统中的全粒度粗糙集和上、下近似概念漂移,上、下近似概念耦合等概念,探讨了全粒度粗糙集的性质,分析了知识系统内概念的全局变化.全粒度粗糙集继承了Pawlak粗糙集和F-粗糙集的基本思想,以上、下近似簇为工具表示了概念在知识系统内的各种可能变化.用嵌套哈斯图表示了概念不同情况下的同一性和差异性:同一层内的表示没有发生概念漂移,不同层内的表示发生了概念漂移.以正区域为工具,定义了决策表中的全粒度正区域和概念漂移、概念耦合等概念,探究了全粒度正区域的性质,分析了决策表内整体概念的全局变化.全粒度正区域表示了决策表中各种可能情况下的正区域,用嵌套哈斯图表示了正区域簇的同一性和差异性:同一层内没有发生相对于正区域的概念漂移,不同层内发生了相对于正区域的概念漂移.在全粒度粗糙集意义下,定义了全粒度绝对约简、全粒度值约简、全粒度Pawlak约简等属性约简,并探讨其性质.与大部分的属性约简不同(仅仅与并行约简和多粒度约简类似),全粒度属性约简要求概念的所有可能表示不发生概念漂移.进一步探讨了属性约简的优缺点,属性约简使得概念的表示变得单一,冗余属性的存在增加了概念表示的丰富性、多样性.在认识论方面,以粗糙集和粒计算为工具分析了人类认识世界的局部性与全局性,对人类认识世界的方式进行了进一步探讨.全粒度粗糙集在一定意义下能够表示人类认识的复杂性、不确定性、多样性、层次性和动态性,在量子计算的帮助下能够从一个粒度转跳到另一个粒度并且毫无困难.全粒度粗糙集的研究及其中的概念漂移探测为各种条件下的概念漂移探测和人类智能的模拟提供了有益的启示. 展开更多
关键词 全粒度粗糙集 概念漂移 偏序关系 概念耦合 上、下近似
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部