一般二元关系下信息系统知识的粒度描述

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 40-44.

一般二元关系下信息系统知识的粒度描述

徐伟华1，刘士虎1，张文修2

1.重庆理工大学数学与统计学院，重庆 400054
2.西安交通大学理学院，西安 710049

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Granularity representation of knowledge in information system based on general binary-relation

XU Weihua1，LIU Shihu1，ZHANG Wenxiu2

1.School of Mathematics and Statistics，Chongqing University of Technology，Chongqing 400054，China
2.School of Science，Xi’an Jiaotong University，Xi’an 710049，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 在一般二元关系下信息系统中通过引入关系划分函数，建立了系统的概率空间，从而避免了此类系统论域只能形成覆盖而不能构成划分的局限性。进一步给出了一般二元关系下信息系统的粒度描述，得到了其重要性质，并证明了此类系统中知识的代数表示与粒度描述是完全等价的。最后通过实例验证了该粒度描述的有效性，为信息系统知识表示的进一步研究奠定了一定的理论基础。

关键词: 一般二元关系, 粒度, 信息系统, 知识表示, 粗糙集

Abstract: Probability space is established by introducing a portion function in information system based on general binary-
relation，this avoids the limitations that systems based on general binary-relation can’t be seen as a partition but only a cover.Moreover，granularity representation of knowledge is proposed in information system based on general binary-relation，and some important properties are obtained.It can be proved that the algebra representation of knowledge is equal to the granularity representation of knowledge in information system.Finally，the validity is examined by two examples，and the proposed framework paves the road for the further study of knowledge representation in information system.

Key words: General binary-relation, Granularity, Information system, Knowledge representation, Rough set

徐伟华1，刘士虎1，张文修2. 一般二元关系下信息系统知识的粒度描述[J]. 计算机工程与应用, 2011, 47(18): 40-44.

XU Weihua1，LIU Shihu1，ZHANG Wenxiu2. Granularity representation of knowledge in information system based on general binary-relation[J]. Computer Engineering and Applications, 2011, 47(18): 40-44.

[1]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[2]	艾山·吾买尔，斯拉吉艾合麦提·如则麦麦提，西热艾力·海热拉，刘文其，吐尔根·依布拉音，汪烈军，瓦依提·阿不力孜. 带标记音节的双向维汉神经机器翻译方法[J]. 计算机工程与应用, 2021, 57(4): 161-168.
[3]	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.
[4]	卢琪，潘志松，谢钧. 融合知识表示学习的双向注意力问答模型[J]. 计算机工程与应用, 2021, 57(23): 171-177.
[5]	王琴，刘盾. 结合集成学习的序贯三支情感分类方法研究[J]. 计算机工程与应用, 2021, 57(23): 211-218.
[6]	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.
[7]	谢春丽，梁瑶，王霞. 深度学习在代码表征中的应用综述[J]. 计算机工程与应用, 2021, 57(20): 53-63.
[8]	宋浩楠，赵刚，王兴芬. 融合知识表示和深度强化学习的知识推理方法[J]. 计算机工程与应用, 2021, 57(19): 189-197.
[9]	张力为，王甦菁，段先华. 细粒度分层时空特征描述符的微表情识别方法[J]. 计算机工程与应用, 2021, 57(13): 154-160.
[10]	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.
[11]	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.
[12]	陈立潮，朝昕，曹建芳，潘理虎. 融合独立组件的ResNet在细粒度车型识别中的应用[J]. 计算机工程与应用, 2021, 57(11): 248-253.
[13]	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.
[14]	李晋源，康雁，杨其越，王沛尧，崔国荣. 面向方面记忆网络的IT产品细粒度情感分析[J]. 计算机工程与应用, 2020, 56(3): 159-164.
[15]	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.