信息系统不确定性的粗糙边界熵度量方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (28): 147-149.

• 数据库、信号与信息处理 • 上一篇下一篇

信息系统不确定性的粗糙边界熵度量方法

单雪红1，2，吴涛3，高显彩1，2

1.宿州学院智能信息处理实验室，安徽宿州 234000
2.宿州学院数学与统计学院，安徽宿州 234000
3.安徽大学数学科学学院，合肥 230039

出版日期:2012-10-01 发布日期:2012-09-29

Rough boundary entropy for measuring uncertainty of information system

SHAN Xuehong1，2, WU Tao3, GAO Xiancai1，2

1.Laboratory of Intelligent Information Processing, Suzhou University, Suzhou, Anhui 234000, China
2.School of Mathematics & Statistics, Suzhou University, Suzhou, Anhui 234000, China
3.School of Mathematical Sciences, Anhui University, Hefei 230039, China

Online:2012-10-01 Published:2012-09-29

摘要/Abstract

摘要： 不确定性度量是粗糙集理论研究的重要内容之一。分析了目前粗糙集不确定性度量主要方法的不足，给出了基于边界域的粗糙集粗糙边界熵的定义。证明了这种粗糙边界熵随着知识粒度的减小而单调减小，而且当负域的知识颗粒被细分时，粗糙边界熵不变。给出了粗糙边界熵的两条性质。

关键词: 粗糙集, 信息系统, 不确定性度量, 粗糙边界熵, 粗糙度, 边界域

Abstract: Uncertainty measure is one of important contents of rough set theory study. In this paper, by analyzing the problem of methods for measuring the uncertainty of rough set, the rough boundary entropy is defined, based on boundary region. It is proved that the rough boundary entropy decreases monotonously as the knowledge granularity becomes finer. When the knowledge granularity of negative region is subdivided, the rough boundary entropy doesn’t change. Two properties of rough boundary entropy are given.

Key words: rough set, information system, uncertainty measure, rough boundary entropy, roughness, boundary region

单雪红1，2，吴涛3，高显彩1，2. 信息系统不确定性的粗糙边界熵度量方法[J]. 计算机工程与应用, 2012, 48(28): 147-149.

SHAN Xuehong1，2, WU Tao3, GAO Xiancai1，2. Rough boundary entropy for measuring uncertainty of information system[J]. Computer Engineering and Applications, 2012, 48(28): 147-149.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	应毅，任凯，刘亚军. 基于GIS技术和加权kNN算法的实时揽件调度方法[J]. 计算机工程与应用, 2020, 56(21): 248-252.
[9]	韩素青，成慧雯，王宝丽. 三支决策朴素贝叶斯增量学习算法研究[J]. 计算机工程与应用, 2020, 56(18): 42-49.
[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]	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.
[12]	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.
[13]	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.
[14]	任俊1，唐绮雯1，徐怡2，胡善忠2. 大学生贫困资助评定的多粒度粗糙集研究[J]. 计算机工程与应用, 2019, 55(7): 82-86.
[15]	邬阳阳，汤建国. 大数据背景下粗糙集属性约简研究进展[J]. 计算机工程与应用, 2019, 55(6): 31-38.

信息系统不确定性的粗糙边界熵度量方法

Rough boundary entropy for measuring uncertainty of information system

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics