基于覆盖粗糙集模型下的近似集动态更新方法研究

摘要

当信息系统中属性集动态变化的时候,经典粗糙集模型及扩展粗糙集模型下近似集的增量更新方法已有大量的研究成果,对各种粗糙集模型下的近似集增量更新研究的最终目的是如何高效地利用已有的知识来获取动态规则。本文在已有的成果基础上,利用等价关系、上近似集、下近似集和决策规则集之间的关系,提出了属性集变化时决策规则集动态增量更新方法,最后通过实例验证了该方法的有效性。
　　 在属性集变化时,更新覆盖粗糙集模型中近似集的传统方法是重新根据每一个属性的属性值形成覆盖元,从而每一个属性构成论域的一个覆盖。所有属性的覆盖合并一起构成论域的一簇新覆盖。因此,需要花费大量重复计算的时间来计算覆盖中对象的邻域。针对该问题,本文分别讨论属性增减时,通过对论域中对象邻域变化的研究,讨论了对象集的邻域与原有近似集之间的关系,给出了动态更新之后的近似集与原来近似集之间的相关定理,提出了在覆盖粗糙集模型中,属性增减时近似集动态更新方法。实验结果验证了该方法的有效性,而且效率优于原始的方法。
　　 到目前为止,国际上已经研制出了一些粗糙集工具软件,如Rosetta、ROSE、RoughEnough、LERS等。但是这些工具软件(例如Rosetta)是在经典粗糙集理论的基础上开发出来的。本文设计开发了基于覆盖粗糙集理论的知识发现工具软件。该工具软件操作性强,具有面向对象的特点。