(计算机,人工智能和信息技术
计算机，人工智能和信息技术
在不完备信息系统中的知识获取：一种粗糙集方法
Yee Leung a,*, Wei-Zhi Wu b,c, Wen-Xiu Zhang b
a香港香港中文大学地理和资源管理部，环境政策和资源管理中心和地球信息科学联合实验室
b中国陕西西安西安交通大学自然科学学院信息与系统科学研究所，邮编710049
c中国浙江舟山浙江海洋学院信息学院，邮编316004
摘要
本文阐述了用粗糙集理论在不完备信息系统中的知识获取。不完备系统中的相似类的概念被首次提出。两种不同的分区，上，下近似，为了在不完备决策表中的确定的关联规则的采集于是形成。一类“某些最佳的”和另一类“最佳的关联”决策规则被生成。与每一个决策规则有关的两个新的量化措施，“随机确定性因素”和“随机覆盖因子”被进一步提出来解释在不完备决策表中的规则的条件和判定部分的关系。在此类表中最佳规则的描述和归纳的减少也被验证。
介绍
Pawlak(1982)提出的粗糙集理论是一个表现不足的和不完整的特点的信息智能系统研究的集合论的延伸。使用在粗糙集理论中上，下近似的概念，隐藏在信息系统中的知识可能是被拆开的并以决策规则的形式被表达。
上，下近似的经典定义，有时被叫做Pawlak粗糙近似，最初和涉及到被假设为一个等价关系(自反，对称和传递))(Pawlak, 1982, 1991)的不可识别性关系一起被引入。这种模式在完整信息系统和完整决策表中的数据分析是有用的。Pawlak的粗糙近似可推广到“异”运算关系(Greco 等, 2001;Slowinski and Vanderpooten, 1997, 2000;Wu and Zhang,2002;Yao, 1998)。Pawlak粗糙集模型的延伸可能能用于推理和在不完整的信息系统和不完整的决策表中的知识获取(Dembczynski等, 2002; Greco等, 1999; Grzymala-Busse, 1991; Kryszkiewicz, 1998a,b, 1999a,b, 2001b; Kryszkiewicz and Rybinski, 1998, 2000; Leung and Li, ; Lingars and Yao, 1998)。一个上，下近似更普遍的定义，称为模糊上，下近似，能被模糊关系定义并能被应用到模糊信息系统(see 等 Bodjanova, 1987; Dubois and Prade, 1990; Hong 等, 2000; Korvin 等, 1998; Wu 等, a,b)。
当粗糙集近似值被用来从一个假设的信息系统提取判定规则，判定规则的两种类型则可以推导。基于判定类的下级近似值，某些信息能被发现并且某些规则可以被提出，然而通过使用判定类的上级近似值，不确定或部分确定的信息被发现或关联规则可能被归纳出。很多使用粗糙集理论的途径已经被提出，用来从采用决策表的数据集促进决策规则。Chan 和 Grzymala-Busse (1994), Grzymala-Busse (1992), Skowron (1993), Skowron 和 Rauszer (1992), Slezak (1996), Stefanowski (1998), Stefanowski 和 Vanderpooten
(1994), Ziarko (1993),例如，使用不同的方法来归纳出完全决策表中的决策规则。Greco 等 (1999), Grzymala-Busse (1991), Kryszkiewicz (1998a,b, 1999a, 2001b),
Kryszkiewicz 和 Rybinski (2000), 用粗糙集模型的扩展名来推导不完全信息系统中的缺失的数值。Lingras 和 Yao (1998)用粗糙集模型的两种概括通过不完整数据库来生成概率规则而不是Pawlak提出的粗糙集模型用完全决策表产生的概率规则。其他研究者，如Slowinski 和 Stefanowski (1994), Hong 等 (2000), 和 Korvin 等 (1998),用粗糙集模型来处理模糊和定量数据。
由于涉及到一些基本的要求，许多类型的属性约简和决策规则在粗糙集研究中已经被提出。例如Kryszkiewicz (2001a,b)调查，比较和证明知识减少的经典粗糙集类型的静态关系。通过使用差别矩阵和布尔推理技术，许多方法已经被提出来计算知识的减少并在有条件的对象属性值可能缺失的不完全决策表中获得最佳的正确的，确定的和合适的决策规则(Skowron, 1993; Skowron 和 Rauszer, 1992;Kryszkiewicz, 1998a,b, 1999a, 2001b; Krysz
