直觉模糊粗糙集理论及应用(雷英杰[等]著)思维导图
(第五讲)模糊理论PPT课件
2021/3/12
6
模糊集与隶属函数（3）
例2.8 论域U={高山，刘水，秦声}，用模糊集A表 示“学习好”这个概念。
解：先给出三人的平均成绩：
高山：98分，刘水：90分，秦声：86分 上述成绩除以100后，就分别得到了各自对“学
习好”的隶属度：
μA(高山)=0.98,μA(刘水)=0.90 ,μA(秦声)=0.86 则模糊集A为：
则A：B A(u) B (u) / u
uU
1/u
[1 (u 25)2]1 / u
[1 ( 5 )2]1 / u
0u25
25uu
5
uu100
u 50
A B A(u) B (u) / u uU
[1 ( 5 )2]1 / u
[1 (u 25)2]1 / u
50uu
u 50
]1
当50 u 100
9
模糊集的表示方法（3）
• 无论论域U有限还是无限，离散还是连续， 扎德用如下记号作为模糊集A的一般表示 形式:
A A(u)/u uU
• U上的全体模糊集，记为：
F(U)={A|μA:U→[0,1]}
2021/3/12
10
模糊集的运算（1）
模糊集上的运算主要有：包含、交、并、补等等。
uu100
5
A 1/u
1[1 ( 5 )2]1 / u
2021/3/120u50
50u100
u 50
13
模糊集的运算（4）
其它的模糊集运算：
• 有界和算子 和有界积算子
A B:m in{1,A(u)B(u)} AB:m ax{0,A(u)B(u)1 }
• 概率和算子ˆ 与实数积算子·
粗糙集 (ppt)
2
一、 概述
现实生活中有许多含糊现象并不能简单 地用真、假值来表示﹐如何表示和处理这些 现象就成为一个研究领域。早在1904年谓词 逻辑的创始人G.Frege就提出了含糊(Vague) 一词，他把它归结到边界线上，也就是说在 全域上存在一些个体既不能在其某个子集上 分类，也不能在该子集的补集上分类。
12
Issues in the Decision Table
• The same or indiscernible objects may be represented several times. • Some of the attributes may be superfluous.
13
不可区分性Indiscernibility
二、 知识分类
为数学处理方便起见，在下面的定义中用等价关系 来代替分类。 一个近似空间(approximate space)（或知识库）定义 为一个关系系统（或二元组）
K=(U,R)
其中U（为空集）是一个被称为全域或论域(universe) 的所有要讨论的个体的集合，R是U上等价关系的一 个族集。
7
二、 知识分类
设PR，且P ，P中所有等价关系的交集称为P上 的一种不可区分关系(indiscernbility relation) 记作IND(P)，即
[x]IND(p)= ∩[x]R RP 注意，IND(P)也是等价关系且是唯一的。
8
二、 知识分类
给定近似空间K=(U, R)，子集XU称为U上的一个概念 (concept)，形式上，空集也视为一个概念；非空子族集 PR所产生的不可区分关系IND(P)的所有等价类关系的集合 即U/IND(P)，称为基本知识(basic knowledge)，相应的等 价类称为基本概念(basic concept)；特别地，若关系QR， 则关系Q就称为初等知识(elementary knowledge)，相应的 等价类就称为初等概念(elementary concept)。 根据上述定义可知，概念即对象的集合，概念的族集（分类） 就是U上的知识，U上分类的族集可以认为是U上的一个知识 库，或说知识库即是分类方法的集合。
模糊数学理论
μ A∩ B = μ A (u ) ∧ μ B (u )
∧
为取极小值运算。
2006-6-9
中科院寒旱所遥感室
16
1.4 集合运算
− 定义2-6 补：模糊集合A的不隶属度函数 μ A ，对所有 的 u ∈ U ，被逐点定义为 μ = 1 − μ A (u )
−
A
例2-3 设论域 U = {u1 , u2 , u3 , u4 , u5 } 中的两个模糊子集为：
A ∩ ( A ∪ B) = A，A ∪ ( A ∩ B) = A
________
A∩ B = B ∪ A， ∪ B = B ∩ A A
___
___ ________
___
___
（9）、双重否认律 A = A
2006-6-9
中科院寒旱所遥感室
19
1.5
模糊集的截集——从模糊中寻找确定，“矬子里选将军”
定义：设A∈F(U), λ∈[0,1] 则： (1)
Aλ = {u | u ∈ U , A(u ) ≥ λ}
称λ为阈值（或置信水平）
•
称Aλ 为A的一个- λ截集，
(2)
Aλ = {u | u ∈ U , A(u ) > λ} 称Aλ 为A的一个- λ强截集
A的支集 A的核 KerA={u|u ∈U,A(u)=1}
1
(λA)(u)= λ ∧A(u)
1 λ 0 λ A(u) U
0
A(u)
U
数积的性质：1 若λ 1 < λ 2 则λ 1 A ⊆ λ 2 A 2 若A < B 则λA ⊆ λB
2006-6-9
中科院寒旱所遥感室
24
1.6
分解定理——模糊集用截集表示：分解定理1
第3章 模糊理论
3 A(1.60)= ＝0.3 10
……
1 A(1.77)= ＝0.1 10 10 0.1 0.3 0.6 1 0.5 0.1 FA = + + + + + 1.56 1.60 1.64 1.69 1.73 1.77
A(1.64)=
6 ＝0.6 10
模糊统计法的特点： ①随着n的增大，隶属频率会趋向稳定，这个 稳定值就是v0对A的隶属度。 ②计算量大。 2、例证法 ：从有限个隶属度值，来估计U上的模糊 集A 的隶属度函数。 3、专家经验法：根据专家的经验对每一现象产生 的各种结果的可能性程度，来决定其隶属度函数。 4、二元对比排序法：通过对多个事物之间的两两 对比，来确定某种特征下的顺序，由此来决定这些 事物对该特征的隶属函数的大体形状。
二、模糊控制的特点 1、无需知道被控对象的数学模型 2、是一种反映人类智慧思维的智能控制 模糊控制采用人类思维中的模糊量，如“高”、 “中”、“低”等，且控制量由模糊推理导出 3、易于被人们所接受（核心：控制规则） 4、构造容易 5、鲁棒性好
第二节 模糊集合论基础
一、模糊集的概念
集合：具有某种特定属性的对象全体。 集合中的个体通常用小写英文字母如：u表 示； 集合的全体又称为论域。通常用大写英文字 母如：U表示。 uU表示元素（个体）u在集合论域（全体） U内。
附近隶属函数的范围
重叠鲁棒性＝
U
L
( A1 A2 )dx 2(U L)
重叠指数的定义
(0.3~0.7为宜)
求重叠率和重叠鲁棒性
例：
A1
A2
重叠率＝ 10 / 30 0.333
0 .5 10 重叠鲁棒性＝ 0.5 2(40 30) 20
覆盖粗糙直觉Fuzzy集模型的一点注记
覆盖粗糙直觉Fuzzy集模型的一点注记石素玮;李进金;李克典【摘要】Based on the analysis of a class of covering rough intuitionistic fuzzy set model, it gives some technical improve-ments for an existing definition of roughness degree. Furthermore, rough entropy is introduced to the covering rough intui-tionistic fuzzy set mode and its uncertainly measure is discussed. An example illustrates the efficiency of the proposed roughness entropy.%通过对一类覆盖粗糙直觉模糊集模型中粗糙度定义的分析，对其所存在疏漏进行了改进；再将粗糙熵的概念引入到该模型，研究直觉模糊集的不确定度量；通过例子说明该度量的有效性。
【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)020【总页数】4页(P131-134)【关键词】覆盖;直觉模糊集;粗糙度;粗糙熵;粗糙集【作者】石素玮;李进金;李克典【作者单位】闽南师范大学数学与统计学院，福建漳州 363000;闽南师范大学数学与统计学院，福建漳州 363000;闽南师范大学数学与统计学院，福建漳州363000【正文语种】中文【中图分类】O159模糊集理论[1]和粗糙集理论[2]都是经典集合论的拓展，两者都可用以刻画不确定和不精确的数学理论。
Dubois和Prade研究模糊集和粗糙集之间的内在联系，将两者结合起来，提出了模糊粗糙集和粗糙模糊集[3-6]。
在实际应用中，由于经典粗糙集模型中的等价关系过于严格而受到限制，而生活中对象的分类大多是覆盖分类而不是划分分类，故提出了基于覆盖的粗糙模糊集。
粗糙集理论及其应用研究
粗糙集理论的核心内容
知识的约简与核
知识的约简： 通过删除不重 要的知识，保 留关键信息
核的概念：核 是知识的最小 表示，包含所 有必要信息
核的性质：核 具有独立性、 完备性和最小 性
核的求取方法： 基于信息熵、 信息增益等方 法进行求取
0
0
0
0
1
2
3
4
决策表的简化
决策表：用于描述决策问题的表格 简化目标：减少决策表的规模，提高决策效率 简化方法：合并条件属性，删除冗余属性 简化效果：提高决策表的可读性和可理解性，降低决策复杂度
粗糙集理论在聚类分析中的应用：利用粗糙集理论处理不确定和不完整的数据，提高聚类 分析的准确性和效率。
聚类分析在数据挖掘中的应用：可以帮助发现数据中的模式和趋势，为决策提供支持。
粗糙集理论在其他领域的应用
决策支持系统
粗糙集理论可以帮助决策者 处理不确定性和模糊性
粗糙集理论在决策支持系统 中的应用
粗糙集理论可以提高决策支 持系统的准确性和效率
粗糙集理论在决策支持系统 中的实际应用案例分析
智能控制
粗糙集理论在模糊控制中的 应用
粗糙集理论在智能控制中的 应用
粗糙集理论在神经网络控制 中的应用
粗糙集理论在自适应控制中 的应用
模式识别
粗糙集理论在模式 识别中的应用
粗糙集理论在图像 识别中的应用
粗糙集理论在语音 识别中的应用
粗糙集理论在生物 信息学中的应用
添加标题
添加标题
ห้องสมุดไป่ตู้添加标题
添加标题
机器学习
粗糙集理论在机器学习中的应用 粗糙集理论在数据挖掘中的应用 粗糙集理论在模式识别中的应用 粗糙集理论在自然语言处理中的应用
粗糙集理论的属性重要性评估方法及其实际应用
粗糙集理论的属性重要性评估方法及其实际应用引言：粗糙集理论是一种用于处理不确定性和模糊性问题的数学工具，它在数据挖掘、模式识别和决策分析等领域中得到了广泛的应用。
在粗糙集理论中，属性重要性评估是一个重要的问题，它能够帮助我们识别出对决策结果具有重要影响的属性，从而提高决策的准确性和可靠性。
本文将介绍一种基于粗糙集理论的属性重要性评估方法，并探讨其在实际应用中的价值。
一、粗糙集理论概述粗糙集理论是由波兰学者Pawlak于1982年提出的，它是一种处理不确定性和模糊性问题的数学工具。
粗糙集理论通过将对象的属性进行划分，将属性值之间的差异进行模糊化处理，从而实现对不完备和不精确数据的分析和决策。
粗糙集理论的核心思想是近似和约简，即通过近似的方法对数据进行简化和压缩，从而提取出最重要的信息。
二、属性重要性评估方法在粗糙集理论中，属性重要性评估是一个关键问题。
属性重要性评估的目标是确定哪些属性对决策结果的影响最大，从而帮助我们进行决策和分析。
常用的属性重要性评估方法有正域、核和约简等方法。
1. 正域方法正域方法是一种基于粗糙集的属性重要性评估方法。
它通过计算属性在正域中的覆盖度来评估属性的重要性。
正域是指在给定条件下能够唯一确定决策结果的属性取值，它反映了属性对决策结果的贡献程度。
正域方法的优点是简单直观，容易理解和计算，但它没有考虑属性之间的依赖关系。
2. 核方法核方法是一种基于粗糙集的属性重要性评估方法。
它通过计算属性在核中的约简度来评估属性的重要性。
核是指在给定条件下能够唯一确定决策结果的最小属性集合，它反映了属性对决策结果的决定性影响。
核方法考虑了属性之间的依赖关系，能够更准确地评估属性的重要性，但计算复杂度较高。
3. 约简方法约简方法是一种基于粗糙集的属性重要性评估方法。
它通过对属性集合进行约简，得到一个最小的属性子集，从而实现对属性的重要性评估。
约简方法的优点是能够同时考虑属性之间的依赖关系和决策结果的覆盖度，能够更全面地评估属性的重要性。
经典粗糙集理论
粗糙集可以用于提取数据中的决策规则，这些规则可以作为神经网络的 训练样本。通过训练，神经网络可以学习到决策规则，并用于分类或预 测。
边界区域
近似集合中的不确定性区 域，即既不属于正域也不 属于负域的元素集合。
粗糙集的度量
精确度
描述了集合中元素被近似集合 包含的程度，即属于近似集合
的元素比例。
覆盖度
描述了近似集合能够覆盖的元 素数量，即近似集合的大小。
粗糙度
描述了集合被近似程度，是精 确度和覆盖度的综合反映。
知识的不确定性
描述了知识表达系统中属性值 的不确定性程度，与粗糙度相
经典粗糙集理论
目录
• 粗糙集理论概述 • 粗糙集的基本概念 • 粗糙集的运算与性质 • 粗糙集的决策分析 • 粗糙集与其他方法的结合 • 经典粗糙集理论案例研究
01 粗糙集理论概述
定义与特点
定义
粗糙集理论是一种处理不确定性和模 糊性的数学工具，通过集合近似的方 式描述知识的不完全性和不确定性。
粗糙集理论中的属性约简可以用于简化神经网络的输入特征，降低输入 维度，提高分类或预测的准确率。
粗糙集与遗传算法
01
遗传算法是一种全局优化算法，能够通过模拟自然界的进化过程来寻找最优解 。将粗糙集与遗传算法结合，可以利用粗糙集对数据的分类能力，结合遗传算 法的全局搜索能力，寻找最优的分类规则或决策规则。
02
粗糙集可以用于生成初始的分类规则或决策规则，然后利用遗传算法对这些规 则进行优化，通过选择、交叉、变异等操作，寻找最优的规则组合。