粗糙集不确定性度量的矩阵运算

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (29): 42-45.

粗糙集不确定性度量的矩阵运算

解滨1，2，米据生1，张军鹏2

1.河北师范大学数学与信息科学学院，石家庄 050016
2.河北师范大学信息技术学院，石家庄 050016

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-11 发布日期:2011-10-11

Matrix computation for measuring uncertainty of rough sets

XIE Bin1，2，MI Jusheng1，ZHANG Junpeng2

1.College of Mathematics and Information Science，Hebei Normal University，Shijiazhuang 050016，China
2.College of Information Technology，Hebei Normal University，Shijiazhuang 050016，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-11 Published:2011-10-11

摘要/Abstract

摘要： 粗糙集的不确定性度量是粗糙集理论的重要研究内容之一。结合模糊理论和粒计算理论改进了粗糙集的不确定性度量方法。通过集合的相对知识粒度及边界熵给出了粗糙集的粗糙性度量函数与模糊性度量函数，随着近似空间知识粒的细分，粗糙集的粗糙度与模糊度均满足单调递减的性质。利用矩阵理论提出了易于实现的粗糙性度量与模糊性度量的矩阵算法。

关键词: 粗糙集, 不确定性, 知识粒度, 粗糙度, 模糊度

Abstract: As one of the most important issues in rough set theory，roughness and fuzziness of rough sets have been widely studied.An improved method is proposed for measuring the uncertainty of rough sets based on fuzzy theory and granular computing theory.A definition of relative knowledge granulation and a concept of boundary entropy for an information system are given，under which the measure functions of roughness and fuzziness are modified.Both of roughness and fuzziness are monotonously decreasing with the refining of knowledge granularities in approximation spaces.Two matrix algorithms are presented for measuring the roughness and fuzziness of rough sets，which are easy to implement.

Key words: rough sets, uncertainty, knowledge granularities, roughness, fuzziness

解滨1，2，米据生1，张军鹏2. 粗糙集不确定性度量的矩阵运算[J]. 计算机工程与应用, 2011, 47(29): 42-45.

XIE Bin1，2，MI Jusheng1，ZHANG Junpeng2. Matrix computation for measuring uncertainty of rough sets[J]. Computer Engineering and Applications, 2011, 47(29): 42-45.

[1]	王运成，周春华，陈楚湘，吴善明，陈冰. 基于二叉知识树推理的可扩展智能排课系统[J]. 计算机工程与应用, 2021, 57(5): 251-257.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	谢兄，杨金鹏. YOLO-wLU：考虑定位不确定性的目标检测算法[J]. 计算机工程与应用, 2021, 57(22): 223-231.
[4]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[5]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[6]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[7]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[8]	牟恩，张贤勇，姚岳松，邓切. 邻域近似条件熵的特定类属性约简及启发算法[J]. 计算机工程与应用, 2020, 56(24): 175-180.
[9]	张建华，李方方，杨岚. 融合PFS与RS的案例知识供需匹配研究[J]. 计算机工程与应用, 2020, 56(23): 139-145.
[10]	骆公志，梅焘. 监督机制多粒度决策粗糙集模型及应用[J]. 计算机工程与应用, 2020, 56(18): 214-220.
[11]	孙金岭，袁朋朋，孔盼盼. 考虑处理基金和回收品质量的闭环供应链决策[J]. 计算机工程与应用, 2020, 56(15): 259-267.
[12]	谢旭明，段隆振，邱桃荣，杨幼凤. 改进量子搜索算法及其在核属性求解上的应用[J]. 计算机工程与应用, 2020, 56(14): 57-61.
[13]	李旭，荣梓景，任艳. 带权决策表的属性约简[J]. 计算机工程与应用, 2020, 56(12): 54-59.
[14]	陈盼盼，林梦雷. 基于包含度的单值中智决策信息系统属性约简[J]. 计算机工程与应用, 2020, 56(12): 175-181.
[15]	葛显龙1，2，薛桂琴1. 不确定环境下多品类共同配送路径优化[J]. 计算机工程与应用, 2019, 55(9): 264-270.