论文部分内容阅读
本文研究的内容集中在Rough集理论，以及Rough集理论中的粒度计算理论在数据挖掘领域中的若干应用。Rough集理论是一种处理不确定性知识的数学工具，围绕着数据挖掘领域中的问题，本文利用Rough集理论与粒度计算理论，提出了若干解决方案。本文对数据挖掘及Rough集理论进行了基本概述，完成的主要工作包括：
1.针对以往的基于Rough集理论发现知识方法的绝对化，以及推出的规则过于肯定或过于否定，提出了基于可信度函数的知识量化方法。
2.知识约简是在决策表上进行的，而决策表一致与否在约简之前要加以判断并进行区分。本文提出了基于条件概率的对非一致决策表的划分，在将属性分为条件属性和决策属性的基础上，把每个个体的条件属性作为条件，决策属性作为在该条件下要发生的事件，然后通过对概率的值来判断该个体是属于一致决策表的，还是非一致决策表的。这种方法避免了以往对非一致决策表划分时要进行等价类的划分，结合交运算以及求其正域，因此起到了简化的作用。
3.提出了基于二进制粒度计算的量化方法。首先，按照决策属性值对决策表进行重新整理，决策值相同的个体放在一起；建立一个二进制表；根据决策表推出规则，再由给出的可信度值计算所需求满足的个体的个数；然后按照规则所给出的属性值上的二进制数进行AND运算，通过判断“1”出现的个数来进行判断该规则的准确性。
4.在建立了粒与二进制数的对应关系的基础上，定义了粒度包含和粒度基数，并给出了相应的属性值约简算法。该方法通过二进制数的AND运算及粒度包含来判断哪个个体的哪个属性可被约去，不仅速度快，而且效率高，还有利于在计算机上实现。
最后，对全文进行了概括性总结，并指出了有待进一步研究和完善的问题。