直觉模糊概念的相对知识距离度量模型方法技术

本发明专利技术公开了一种直觉模糊概念的相对知识距离度量模型方法，属于粒度计算技术领域，度量直觉模糊概念的粗糙粒空间U/R的信息熵，平均信息熵的定义：1)当U连续时，I的粗糙粒空间的平均信息熵可以表示为：2)当U离散时，I的粗糙粒空间的平均信息熵可以表示为：其中，μ代表直觉模糊集I中x的隶属度,是U/R上的阶梯均值直觉模糊集。的阶梯均值直觉模糊集。的阶梯均值直觉模糊集。

【技术实现步骤摘要】
直觉模糊概念的相对知识距离度量模型方法


[0001]本专利技术涉及粒计算
，具体为一种直觉模糊概念的相对知识距离度量模型方法。

技术介绍

[0002]粒计算是一种模拟人类认知机制来解决问题的新型计算。在粒计算中信息粒是构建粒的基本元素。多个信息粒以及它们之间的关系构成一个粒空间，多个粒空间以及粒空间之间的关系构成一个粒结构。Pedrycz通过结合粒度的构造和优化方法，提出了合理粒度原则。Yao研究了三支决策和粒计算这两个领域，以及它们之间的关系。Wang从粒度优化、粒度切换和多粒度计算三个方面归纳了粒计算的工作。作为粒计算的主要模型，粗糙集是利用现有信息粒处理不确定知识的有效工具，它用一对上、下近似集来描述不确定的概念。直觉模糊集是一种经典的软计算工具，它将隶属度从单值推广到区间值，对于传递不确定的信息，直觉模糊集比模糊集的处理能力更强。目前直觉模糊集已经应用于各个领域，比如决策系统、模式识别、控制和推理等。
[0003]在粗糙集中，一个直觉模糊概念(Intuitionistic Fuzzy Concept,IFC)可以用上、下近似直觉模糊集来描述。关于直觉模糊集和粗糙集的结合，已有许多研究工作。特别是在粒空间中，直觉模糊概念的不确定性度量已经成为一个基本问题。Zhang提出了基于两个论域的直觉模糊粗糙集的新定义，并定义了相关的算子。Dubey提出了一种基于粗糙集的直觉模糊C
‑
均值聚类算法，并将其应用于脑磁共振图像的分割。Zheng提出了一种改进的粗糙度方法，用于度量基于覆盖的粗糙直觉模糊集的不确定性。这些工作表明，直觉模糊集和粗糙集是研究模糊性和不确定性的有效数学工具。目前的不确定性度量在用于描述IFC时，还不能区分描述出具有相同不确定性的两个粗糙粒，但是某些情况下，比如属性约简、粒度选择时，都需要区分描述IFC的不同粗糙粒。

技术实现思路

[0004]本专利技术的目的在于克服上述
技术介绍
困难，解决目前的不确定性度量在用于描述IFC时还不能区分描述出具有相同不确定性的两个粗糙粒技术问题，提供一种直觉模糊概念的相对知识距离度量模型方法。
[0005]为达到上述目的，采用的技术方案为：一种直觉模糊概念的相对知识距离度量模型方法，度量直觉模糊概念的粗糙粒空间U/R的信息熵，平均信息熵的定义：
[0006]1)当U连续时，I的粗糙粒空间的平均信息熵可以表示为：
[0007][0008]2)当U离散时，I的粗糙粒空间的平均信息熵可以表示为：
[0009][0010]其中，μ代表直觉模糊集I中x的隶属度,是U/R上的阶梯
均值直觉模糊集。
[0011]一种直觉模糊概念的相对知识距离度量模型方法，设U为论域，A和B是U上的两个有限集合；如果IFG
A
和IFG
B
是U上的两个直觉模糊信息粒，则A和B之间的微观知识距离定义如下：
[0012][0013]进一步的，假设U/R1＝{g1,g2,...,g
n
}，这是U上由R1引起的粒空间，其中则
[0014]一种直觉模糊概念的相对知识距离度量模型方法，设一个信息系统S＝(U，C∪D，V，f)，设U为论域，U/R为U上的先验粒空间，U/R1＝{g1,g2,
…
,g
n
},U/R2＝{g'1,g'2,
…
,g'
m
}分别是由R1和R2诱导的两个粒空间。则U/R1和U/R2在U/R下的相对宏观知识距离定义为：
[0015][0016]其中：
[0017]一种直觉模糊概念的相对知识距离度量模型方法，基于相对宏观知识距离的属性约简的算法：
[0018]输入：信息系统S＝(U,C∪D,V,f)
[0019]输出：经过属性约简后得到的属性子集R
[0020][0021]采用上述方案的有益效果为：本专利技术直觉模糊概念的相对知识距离度量模型方法通过基于信息熵设计了微观知识距离来度量直觉模糊信息粒之间的差异；在微观知识距离的基础上，进一步构建了具有较强分辨能力的宏观知识距离，该度量在描述IFC时能够计算不同粗糙粒空间之间的差异；提出了相对宏观知识距离，使其能够多角度分析两个粒空间之间的相对差异；提出了一种基于宏观知识距离或相对宏观知识距离的属性约简算法，通过相关实验验证了其有效性。
[0022]基于前期工作，本专利技术直觉模糊概念的相对知识距离度量模型方法引入微观知识距离和宏观知识距离，来描述IFC的粒空间之间的差异。此外，本专利技术还扩展了这两种知识距离来研究粗糙近似IFC的层次商空间结构。最后，为了能够分析在不同先验粒空间下粗糙
粒空间之间的相对差异，还提出了相对宏观知识距离的概念，并将其应用于数据分析。解决了目前的不确定性度量在用于描述IFC时，还不能区分描述出具有相同不确定性的两个粗糙粒，但是某些情况下，比如属性约简、粒度选择时，都需要区分描述IFC的不同粗糙粒的技术问题。
附图说明
[0023]图1为微观知识距离和宏观知识距离之间的关系图。
[0024]图2为三层粒空间之间的宏观知识距离关系图。
[0025]图3为不同粒空间之间的宏观知识距离变化图。
[0026]图4为数据集中不同属性的属性重要度图。
[0027]图5为五次不同属性约简后的属性子集的平均数量图。
[0028]图6为不同数据集均方误差的平均值图。
[0029]图7为五种不同属性约简的均方误差平均值图。
具体实施方式
[0030]下面结合本专利技术的具体实施例，对本专利技术的技术方案进行清楚、完整地描述。所描述的实施例仅仅是本专利技术一部分实施例，而不是全部。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]实施例一：
[0032]一个信息系统可以表示为S＝(U,C∪D,V,f)，其中U是对象的集合，也称为论域，C为条件属性集，D为决策属性集，V为每个对象对应的属性值集合，f:U
×
C是一个信息函数，它指定U中每个对象x的属性值。
[0033]定义1(直觉模糊集)设U为论域，U上的一个直觉模糊集I定义为：
[0034]I＝{<x,γ
I
(x),υ
I
(x)>|x∈U}
[0035]其中，γ
I
(x)和υ
I
(x)为区间[0,1]上的两个有限非空集合，分别表示x对于I上的隶属度和非隶属度的集合。且满足条件：有0≤γ
I
(x
i
)+υ
I
(x
i
)≤1。
[0036]定义2(阶梯均值直觉模糊集)设一个信息系统S＝(U,C∪D,V,f)，I是U上的直觉模糊集，U/R＝{[x]R
}＝{[x]1,[x]2,
…本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种直觉模糊概念的相对知识距离度量模型方法，其特征是：度量直觉模糊概念的粗糙粒空间U/R的信息熵，平均信息熵的定义：1)当U连续时，I的粗糙粒空间的平均信息熵可以表示为：2)当U离散时，I的粗糙粒空间的平均信息熵可以表示为：其中，μ代表直觉模糊集I中x的隶属度,是U/R上的阶梯均值直觉模糊集。2.一种直觉模糊概念的相对知识距离度量模型方法，其特征是：设U为论域，A和B是U上的两个有限集合；如果IFG
A
和IFG
B
是U上的两个直觉模糊信息粒，则A和B之间的微观知识距离定义如下：3.一种直觉模糊概念的相对知识距离度量模型方法，其特征是：设一个信息系统S＝(U，C∪D,V,f)。I是U上的直觉模糊集。U/R1＝{g1,g2,
…
,g
n
},U/R2＝{g
′1,g
′2,
…
,g
′
m
}分别是由R1和R2诱导的两个粒空间。则U/R1和U/R2之间的宏观知识距离定义如下：其中，md
ij
＝md(g

【专利技术属性】
技术研发人员：杨洁，付俊，刘衍民，金星，张鑫，
申请(专利权)人：遵义师范学院，
类型：发明
国别省市：