粗糙集的思考

粗糙集的思考"/>

粗糙集的思考

粗糙集理论与方法能有效地处理复杂系统中的数据和信息，已成为一种处理模糊和不精确问题的新型数学工具。它与模糊集方法、证据理论方法和概率方法等其他处理不确定性问题理论的显著区别在于无须提供所处理数据之外的任何先验信息。

粗糙集理论的主要任务是近似分类、知识约简(属性和属性值约简)、属性相依性分析、根据决策表产生最优或次优决策控制算法等。对它的研究主要集中在两个方面:一是理论研究方面:粗糙集代数、粗糙集拓扑及其性质、粗糙逻辑和近似推理等方面的系列文献，建立起处理不完善、不精确、不确定问题的理论体系；二是应用领域方面，研究粗糙集方法在医学、管理学、金融学、气象学、图像处理、语音识别、字符识别和决策分析等众多领域的应用。

模糊集和粗糙集都能描述知识的不确定性。例如，投影集合论是在模糊集和论的框架体系上发展起来的，但处理信息的方法却类似于粗糙集，它在一些领域的应用显示出优势。还有许多的模糊粗糙集混合模型解决了一些单一模型无法解决的实际问题。这说明，这两种理论的融合是求解复杂问题的一种有效途径。粗糙模糊集:指对模糊集求上下近似而获得的集合，模糊粗糙集模型。 

粗糙集的理论研究:提出模糊约束：第一种算法在Apriori算法的基础上，使用单调约束裁剪事务空间，使用反单调约束裁减项集空间，同时为了得到最优的模糊集，使用了遗传算法寻优；第二种算法采用双向搜索，在自上而下搜索和自下而上搜索过程中，同时应用两种约束裁减项集空间，这充分使用了模糊约束的裁减能力，大大缩减了搜索空间，进而提高算法效率。针对当前最大频繁集挖掘算法存在的问题，提出一种新的算法。当前算法大都对某一类数据有效，如稠密数据或稀疏数据。提出的算法对稠密数据和稀疏数据都基本有效：采用有向图表示项集，将频繁项集发现转化为有向图中的搜索。另外，该算法采用了位图表示数据以及压缩、多种裁减技术。《基于关联