本文關(guān)鍵詞：多源信息系統(tǒng)的信息融合及其數(shù)值特征　出處：《河北師范大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 不確定性度量 覆蓋 多粒度粗糙近似 證據(jù)理論 變精度粗糙集 信息融合 屬性約簡(jiǎn)

【摘要】：多源信息系統(tǒng)常常被用于表示來自多個(gè)信息源的復(fù)雜數(shù)據(jù).隨著大數(shù)據(jù)時(shí)代的來臨,如何融合多源復(fù)雜數(shù)據(jù)并度量其不確定性,以及如何從來源眾多的數(shù)據(jù)中尋找一個(gè)緊湊的條件屬性子集成為粗糙集理論領(lǐng)域最重要的問題之一.通過結(jié)合證據(jù)理論,概率論和信息熵理論,本文旨在解決多源信息系統(tǒng)中的信息融合,并描述其數(shù)值特征.粗糙集理論,由Pawlak于1982年提出,是一種有效的處理模糊和不確定性知識(shí)的數(shù)學(xué)工具,被廣泛的應(yīng)用于機(jī)器學(xué)習(xí),模式識(shí)別,人工智能和數(shù)據(jù)挖掘等領(lǐng)域.證據(jù)理論、信息論和粗糙集理論之間有著密切的聯(lián)系,都是處理智能系統(tǒng)中信息融合,不確定性度量和屬性約簡(jiǎn)的重要理論依據(jù).多粒度粗糙集理論提供了樂觀和悲觀多粒度融合函數(shù),分別運(yùn)用合取與析取算子聚合由不同二元關(guān)系誘導(dǎo)出的多粒度結(jié)構(gòu),然而在解決實(shí)際問題時(shí),這兩種融合策略太松弛或太苛刻.二級(jí)融合算法通過粒度距離將多粒度結(jié)構(gòu)劃分為不同族群,后用析取與合取算子對(duì)族群內(nèi)和族群間粒結(jié)構(gòu)進(jìn)行融合,但該算法沒有充分考慮到每個(gè)粒結(jié)構(gòu)的權(quán)重與分布.為此,本文提出如下創(chuàng)新性成果:(1)通過介紹多粒度粗糙集與證據(jù)理論關(guān)系,深入探討多粒度粗糙集的本質(zhì)與不足.(2)在多源信息系統(tǒng)中,定義新的多粒度粗糙近似算子與相應(yīng)多源粗糙近似算子,提出新的概率分布與基本概率指派,進(jìn)而探討多源粗糙近似與證據(jù)理論之間的關(guān)系,并建立多粒度粗糙近似質(zhì)量與證據(jù)理論之間的關(guān)系.(3)基于信度函數(shù),討論多粒度粗糙近似中的多源屬性約簡(jiǎn),并給出相應(yīng)貪婪算法,分別用以計(jì)算多粒度粗糙近似的多源屬性約簡(jiǎn).最后,將上述結(jié)論推廣至多源覆蓋信息系統(tǒng)中.(4)給出屬性集關(guān)于對(duì)象的權(quán)重,并結(jié)合第三章中概率測(cè)度,構(gòu)造新的條件概率,進(jìn)而提出變精度粗糙集,并且探討該粗糙集與多粒度粗糙集之間的關(guān)系.結(jié)合Shannon信息熵和條件概率,分別提出基于等價(jià)關(guān)系或覆蓋的Shannon熵算法,用以度量數(shù)據(jù)集的分類不確定程度.(5)基于辨識(shí)矩陣和分布函數(shù),討論變精度粗糙集的屬性約簡(jiǎn)問題.最后,將上述結(jié)論推廣至多源覆蓋信息系統(tǒng)中.全文中用若干實(shí)例對(duì)上述討論和算法一一進(jìn)行了展示.本文的研究成果將有助于融合多源不確定性信息及其粒計(jì)算.
[Abstract]:The multi-source information system is often used to represent complex data from multiple sources. With the advent of the era of big data, how to integrate multi-source complex data and measure its uncertainty, and how many sources of data for a compact subset of condition attributes in rough set theory has become one of the most important problems by combining. Evidence theory, probability theory and information entropy theory, this paper aims to solve the multi-source information system information fusion, and describe its numerical characteristics. Rough set theory, proposed by Pawlak in 1982, is an effective treatment of fuzzy and uncertain knowledge mathematical tool, has been widely used in machine learning and pattern recognition. Artificial intelligence and data mining. Evidence theory, information theory and rough set theory are closely linked, is processing information fusion in intelligent systems, uncertainty and measurement An important theoretical basis for attribute reduction. The multigranulation rough set theory provides the optimistic and pessimistic multi granularity fusion function, using conjunction and disjunction operators aggregation multi granularity structure is derived by different relations induced two yuan, however, in solving practical problems, the two fusion strategy is too loose or too harsh. Through the two level fusion algorithm size distance multi granularity structure is divided into different groups, with the conjunction and disjunction operators on the particle structure of population and ethnic groups, but the algorithm does not fully take into account the weight and distribution of each particle structure. Therefore, this paper puts forward the following innovative results: (1) through the introduction of multi granularity relationship of rough sets and evidence the theory, in-depth study of essence of multigranulation rough set and shortcomings. (2) in the multi-source information system, multi granularity new definitions of rough approximation operators and the corresponding multiple rough approximation operators, put forward a new probability distribution And the basic probability assignment of cloth, and then discusses the multi-source rough approximation and evidence theory of the relationship between, and establish a multi granularity rough approximation of the relationship between quality and evidence theory. (3) based on the reliability function, discussed the multigranulation rough approximation in multi attribute reduction, and gives the corresponding greedy algorithm is used to calculate multiple attribute reduction the size of the rough approximation. Finally, the above conclusion is extended to cover the multi-source information system. (4) weight about the object given set of attributes, and combined with the probability measure in the third chapter, the construction of a new conditional probability, then proposed the variable precision rough set, and to explore the relationship between the rough sets and multi granulation rough sets with the Shannon information entropy and conditional probability, respectively. The equivalence relation is proposed or covered by the Shannon algorithm based on entropy, determined by classification to measure data sets not. (5) identification matrix and distribution function based on. The attribute reduction of variable precision rough set. Finally, the above conclusion is extended to cover the multi-source information system. In this text, with some examples of the above discussion and one algorithm are presented. The results of this study will contribute to the integration of multi-source uncertain information and granular computing.

【學(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18;TP202

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周軍,張慶靈,陳文實(shí);覆蓋粗糙集的一般化[J];東北大學(xué)學(xué)報(bào);2004年10期

2 邱兆雷;范穎;王愛云;;粗糙集理論及進(jìn)展[J];信息技術(shù)與信息化;2006年05期

3 徐偉華;張文修;;覆蓋廣義粗糙集的模糊性[J];模糊系統(tǒng)與數(shù)學(xué);2006年06期

4 石杰;;粗糙集理論及其應(yīng)用研究[J];科技信息;2008年33期

5 唐彬;;粗糙集理論和應(yīng)用研究[J];內(nèi)江科技;2008年03期

6 胡軍;王國(guó)胤;;覆蓋粗糙集的模糊度[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

7 燕紅文;康向平;張麗;;依賴空間與粗糙集理論[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2009年09期

8 林國(guó)平;;覆蓋廣義粗糙集與信任函數(shù)[J];漳州師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年02期

9 王石平;祝峰;朱培勇;;基于抽象相關(guān)關(guān)系的粗糙集研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

10 成新文;陳國(guó)超;李琦;;關(guān)于粗糙集的理論及應(yīng)用研究[J];煤炭技術(shù);2010年10期

相關(guān)會(huì)議論文 前10條

1 黎文航;陳善本;王兵;;粗糙集理論在焊接中的應(yīng)用綜述[A];第十一次全國(guó)焊接會(huì)議論文集（第2冊(cè)）[C];2005年

2 尹宗成;;粗糙集理論在我國(guó)糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用[A];現(xiàn)代農(nóng)業(yè)理論與實(shí)踐——安徽現(xiàn)代農(nóng)業(yè)博士科技論壇論文集[C];2007年

3 鄒剛;滕書華;孫即祥;陳森林;敖永紅;;一種粗糙集優(yōu)化協(xié)同原型模式約簡(jiǎn)分類方法[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 葛麗;傅彥;;粗糙集在科學(xué)數(shù)據(jù)屬性約簡(jiǎn)中的應(yīng)用[A];第二十一屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

5 陳雪飛;;粗糙集分類中耦合數(shù)據(jù)的處理方法研究[A];2008年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

6 肖健梅;蘆曉明;王錫淮;;集裝箱起重機(jī)防搖系統(tǒng)粗糙集控制[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

7 王印松;馮康;;主汽溫調(diào)節(jié)系統(tǒng)性能評(píng)價(jià)的粗糙集實(shí)現(xiàn)方法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

8 王紅萍;萬程亮;金彥豐;;應(yīng)用粗糙集理論的對(duì)抗效果權(quán)重確定方法[A];2009’中國(guó)西部地區(qū)聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2009年

9 王莉;周獻(xiàn)中;;一種基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)模型在鋼材力學(xué)性能預(yù)測(cè)中的研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

10 卓明;王麗珍;譚旭;;基于粗糙集近似集擴(kuò)展的規(guī)則提取算法[A];第十七屆全國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 馬希驁;概率粗糙集屬性約簡(jiǎn)理論及方法研究[D];西南交通大學(xué);2014年

2 唐孝;基于粗糙集的知識(shí)發(fā)現(xiàn)方法及其在ECG信號(hào)識(shí)別中的應(yīng)用[D];電子科技大學(xué);2015年

3 曾凱;鄰域�；植谟�(jì)算的關(guān)鍵技術(shù)研究與應(yīng)用[D];電子科技大學(xué);2015年

4 王永生;基于粗糙集理論的動(dòng)態(tài)數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];北京科技大學(xué);2016年

5 馬周明;基于邊界域的多粒度粗糙集及其相關(guān)度量[D];河北師范大學(xué);2017年

6 薛佩軍;正負(fù)域覆蓋廣義粗糙集與知識(shí)粗傳播研究[D];山東大學(xué);2007年

7 孔芝;粗糙集理論若干問題的研究與應(yīng)用[D];東北大學(xué);2009年

8 秦中廣;基于粗糙集的交叉研究及其在中醫(yī)診斷的應(yīng)用[D];華南理工大學(xué);2002年

9 劉少輝;知識(shí)發(fā)現(xiàn)中粗糙集理論的研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2003年

10 鄧大勇;基于粗糙集的數(shù)據(jù)約簡(jiǎn)及粗糙集擴(kuò)展模型的研究[D];北京交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 江飛;粗糙集神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[D];西安石油大學(xué);2015年

2 何理榮;粗糙集理論在銀行信貸風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[D];華南理工大學(xué);2015年

3 張德齊;基于粗糙集理論的電機(jī)故障診斷方法研究[D];渤海大學(xué);2015年

4 楊禮;基于粗糙集的公路交通安全預(yù)警研究[D];西南交通大學(xué);2015年

5 聶萌瑤;基于泛系串并模型的粗糙集概念擴(kuò)展與拓?fù)淇臻g[D];蘭州大學(xué);2015年

6 徐鵬;基于粗糙集的建筑起重機(jī)械安全精細(xì)化評(píng)價(jià)研究[D];西安建筑科技大學(xué);2015年

7 孫宇航;粗糙集屬性約簡(jiǎn)方法在醫(yī)療診斷中的應(yīng)用研究[D];蘇州大學(xué);2015年

8 張曼;基于粗糙集和包含度的聚類分類算法研究[D];青島理工大學(xué);2015年

9 車世遠(yuǎn);基于群搜索優(yōu)化粗糙集的腦科學(xué)數(shù)據(jù)研究[D];大連海事大學(xué);2015年

10 林哲;基于粗糙集的馬田系統(tǒng)研究及其在銀行直接營(yíng)銷客戶分類中的應(yīng)用[D];南京理工大學(xué);2015年

，

本文編號(hào)：1402067