广义模糊粗糙集在模糊信息约简中的应用

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (4): 169-171.

广义模糊粗糙集在模糊信息约简中的应用

赵越岭¹,王英丽²

1.辽宁工业大学信息科学与工程学院，辽宁锦州 121001
2.锦州石化工程建设监理公司，辽宁锦州 121001

收稿日期:2007-05-28 修回日期:2007-07-30 出版日期:2008-02-01 发布日期:2008-02-01
通讯作者: 赵越岭

Generalized fuzzy rough set approach to fuzzy information reduct

ZHAO Yue-ling¹,WANG Ying-li²

1.College of Information Science and Engineering，Liaoning University of Technology，Jinzhou，Liaoning 121001，China
2.Jinzhou Petrochemical Engineering Construction Supervision Company，Jinzhou，Liaoning 121001，China

Received:2007-05-28 Revised:2007-07-30 Online:2008-02-01 Published:2008-02-01
Contact: ZHAO Yue-ling

摘要/Abstract

摘要： 针对数据集为模糊值时冗余信息难于消除的问题，提出了基于模糊相似关系的广义模糊粗糙集与QuickReduct算法相结合的方法。利用广义模糊粗糙集数据相似程度对属性值为实数值的数据集合进行约简，不需要预先对原始数据集合进行离散化，约简结果能更完整地反映原信息系统的分类能力。同时算法中利用了启发式信息，使模糊依赖性增加较快的属性作为最小约简。计算实例验证了该方法的有效性。

关键词: 模糊逻辑, 广义模糊粗糙集, 模糊相似关系, 约简

Abstract: The main obstacle facing current dataset of fuzzy value is that of redundancy-removing.The paper proposes the generalized fuzzy rough set based on similarity relation which unifies with“QuickReduct” algorithm.The generalized fuzzy rough set carries on the reduction of attributes by adopting the data set of similar degree to the real value.The quantization of the original dataset is unnecessary beforehand and the ability of classify can not destroyed by reducing attributes.Simultaneously，the heuristic information is adopted in the algorithm and a minimum reduct can be found according to the attribute of fuzzy dependence increasing quickly.It is available by computing and analyzing with fuzzy information.

Key words: fuzzy Logic, generalized fuzzy rough set, fuzzy similarity relation, reduct

赵越岭¹,王英丽². 广义模糊粗糙集在模糊信息约简中的应用[J]. 计算机工程与应用, 2008, 44(4): 169-171.

ZHAO Yue-ling¹,WANG Ying-li². Generalized fuzzy rough set approach to fuzzy information reduct[J]. Computer Engineering and Applications, 2008, 44(4): 169-171.

[1]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[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]	张呈玲，李进金，林艺东. 基于OE-概念格的形式背景属性约简[J]. 计算机工程与应用, 2021, 57(15): 82-89.
[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]	袁顺杰，程辉，叶贞成，程培鑫. SOM-T2 FLS在股市预测中的应用研究[J]. 计算机工程与应用, 2020, 56(7): 130-136.
[6]	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.
[7]	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.
[8]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	杨珍，耿秀丽. 考虑多粒度属性约简的关联规则挖掘研究[J]. 计算机工程与应用, 2019, 55(6): 133-139.
[14]	李云，马英红. 基于属性约简集评价节点重要性研究[J]. 计算机工程与应用, 2019, 55(5): 149-158.
[15]	李旭，李前辰. 一种变精度约简转化为正区域约简的方法[J]. 计算机工程与应用, 2019, 55(17): 51-54.