概率粗糙直觉模糊集的不确定性度量方法研究
Pawlak粗糙集模型忽视了信息的不确定性和模糊性,等价类完全包含于目标概念才能被划分到下近似,在处理数据时显得过于苛刻.针对这个问题,本文结合概率粗糙集与直觉模糊集,对概率粗糙直觉模糊集模型进行研究,其模型具有一定的容错能力,能够较为有效的处理含有噪声和模糊的数据.首先,在概率近似空间中,定义模糊事件的条件概率,构建概率粗糙直觉模糊集模型,并讨论了一些性质.在此基础上构建2种概率粗糙直觉模糊集模型,0.5-概率粗糙直觉模糊集和变精度概率粗糙直觉模糊集.其次,由于传统的概率粗糙直觉模糊集的粗糙度具有一定的局限性,无法准确表示因为边界域的存在而引起的不确定性问题,针对这个问题,定义了基于概率粗糙直觉模糊集模型的近似质量和粗糙度,引入粗糙熵的概念,将粗糙熵与粗糙度结合,提出了 一种新的基于概率粗糙直觉模糊集模型的不确定性度量方法.最后,通过实例验证了所提基于概率粗糙直觉模糊集模型的不确定性度量方法的有效性,并在UCI数据集上进行了对比分析.
概率粗糙集、直觉模糊集、不确定性度量、粗糙度、粗糙熵
36
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;河南省科技攻关项目;河南省科技攻关项目
2022-04-07(万方平台首次上网日期,不代表论文的发表时间)
共14页
130-143