《计算机理论中粗糙集应用分析》由会员分享，可在线阅读，更多相关《计算机理论中粗糙集应用分析（6页珍藏版）》请在金锄头文库上搜索。
1、从本学科出发，应着重选对国民经济具有一定实用价值和理论意义的课题。课题具有先进性，便于研究生提出新见解，特别是博士生必须有创新性的成果计算机理论中粗糙集应用分析引言当前网络技术发展以及计算机技术逐步向着更加完善的方向发展，信息时代已经全面来临，计算机已经成为人类生活以及生产必备的工具，而如何才能够有效处理当前社会中的信息，保证信息可以为人们所利用，这是当前学者研究的核心。软计算的出现则解决了当前对信息的处理需要，成为当前计算机理论研究中的新趋势。软计算最先与1994年由Zadeh提出，其本质是一种数据信息的容错处理，通过不完全真值以及不精确不确定的信息取得相对低代价、易处理信息的一种方法集合。
2、当前的软计算主要包括证据理论、遗传算法以及神经网络和粗糙集，其中粗糙集已经成为了新型的研究焦点，并在实际的应用中取得了巨大的成就。1 粗糙集理论概述计算机的应用之所以能够越来越广泛，主要是因为其逻辑计算的高效和准确性，而粗糙集则可以对一些不确定问题进行分析计算。对于事物进行分析的能力便是粗糙集理论中的重要内容，主要表现为划分论域并通过等价关系对信息进行标示。粗糙集对于事物的刻画主要通过其上下近似算子进行，由于无需数据外的其他知识，因而客观性较高。因而在机器学习以及决策分析和数据挖掘等理论中，粗糙集的应用较为广泛。粗糙集同模糊集的结合模糊集理论最先于1965年提出，其主要概念是一种集合，在集合中
3、所有元素只有两种状态，集隶属于集合，以及不隶属于集合，而这种对隶属进行衡量的函数则称为隶属函数。模糊集主要依赖于这种隶属函数对数据元素进行判断，确定隶属度，从而一一对应。模糊集隶属函数结果确定一般是依照专家经验或者由管数据统计结果进行，因而主观性较高，而当前的信息要求中客观性要求在不断提升，因而模糊集的这种缺陷必须予以改进。而粗糙集主要是依赖于其上下近似对数据库中的对象予以客联盟观确定，而无需事先的建设以及其他的经验知识，因而客观性较强。实际生活中，很多先验知识已经无需进行再次确定和判断，但是通过这些知识的利用却可以对数据的计算分析效率提高有所帮助，而这些便可以弥补粗糙集的缺陷。通过这一理论分
4、析可以看出，模糊集同粗糙集之间的互补性较强，若将二者结合起来，在问题的解决中效率更高。而二者的理论结合研究已经取得了初步进展，并在实际的应用中开始推广，模糊粗糙集的应用以及粗糙模糊集的应用便是具有较高价值的两种研究成果。在粗糙集中应用模糊隶属函数便是模糊粗糙集，对粗糙集中的等价关系，通过模糊集隶属函数进行确定，也就是利用隶属函数将元素中I型昂同的隶属度归为相同的等价类，从而对论域进行划分。从本质上分析，即对已知确定的模糊集纸质进行粗糙集等价关系转换，从而得到粗糙等价类的方式，通过这种方式能够是的粗糙集问题处理效率更高。对于模糊集以及粗糙集，通过粗糙模糊集以及模糊粗糙集可以得到较为理想的互补，这
5、种研究已经应用在了诸多领域中，并证实，具有一定的效果。很多学者对其进行了比较研究，并予以有效地改善，进一步的发展和改进了该种理论研究。将模糊集的应用引入了粗糙集覆盖理论中，同时也将覆盖广义粗糙集模糊度引入研究中，开创了一种新的模糊度计算方式，证明模糊不可分辨关系这一理论，从而加强了粗糙集在处理模糊值属性上的性能。粗糙集同神经网络的结合当前的信息网络已经开始向着智能化方向发展，是建立在现代神经生物学上的一种信息处理方式，主要是对人脑信息处理的一种模仿。因而其学习能力较强，无论在有监督还是无监督的情况下都能够对数据进行有效的分析和处理，因而在模式识别以及数据的挖掘中被广泛的应用，同时还被应用在预测
6、以及信号处理领域。神经网络是一个由简单处理单元构成的规模宏大的并行分布式处理器，天然具有存储经验知识和使之可用的特性。神经元是神经网络最基本的信息处理单元，它具有接收和传递信息的功能。神经网络的特点就是通过训练和学习产生一个非线性的映射，模拟人的思维方式，具有很好的自适应性，可以实现有监督和无监督的学习，并能够对信息进行并行处理；同时，它具有很好的抑制噪声的能力。但是神经网络也有很明显的缺陷，它无法对输入的信息进行有用性或冗余性的判断，因此不能对输入的信息进行简化，这使得它在处理空间维数较大的信息时会很困难和低效。粗糙集与神经网络的结合.粗糙集与神经网络最常见的结合方式主要有两种：将粗糙集作为
7、神经网络的前端处理器，通过利用粗糙集先对原始信息进行属性及属性值的约简，去除冗余信息，降低信息空间的维度，为神经网络提供一个较为简化的训练集，然后再构建和训练神经网络。这样的结合方式不仅缩短了神经网络的学习和训练的时间，提高了系统反应速度，而且也可以充分发挥神经网络在抗噪性和容错性的优势，达到提高神经网络整体性能的目的。通过在神经网络中引入一种粗糙神经元来进行，将粗糙神经元与普通神经元混合起来使用构成粗糙神经网络。有关粗糙集与神经网络的结合研究，还有其他学者研究提出的一些新的结合方式，如强耦合集成方式，为解决神经网络设计中的网络的隐层数、隐层节点数和初始权值的确定及网络语义提供了一种便于实现的
8、新思路。随着软计算理论中的各种理论和技术的不断发展和创新，将神经网络与诸如进化算法、概念格、证据理论及混沌学等加强结合研究，相信会取得更加让人振奋的成就。粗糙集同遗传算法的结合遗传算法是当前相对通用的一种计算机模型，是一种适应性的问题搜索方法，广泛的应用与商业领域以及数据收集、自动化研究以及人工智能领域中。而粗糙集同其结合主要体现在对属性的约简和数据挖掘中。粗糙集同概念格的结合形式概念的分析最初是由德国的以为数学家提出，While最初提出的这种概念格理论是建立在概念层次以及概念之上的一种数学化信息表达，相对比规则提取以及数据分析，有效性相对较高，并逐渐的应用在软件工程，计算机技术开发中。而粗糙
9、集同概念格具有一定的相似性，因而令两者之间具有一定的联系，粗糙集理论中存在上下近似以及属性依赖，因而这种概念表示能够在相的背景中有一进行，通过这种概念能够将粗糙集应用进行扩展，使得概念格同粗糙集能够充分的融合，粗糙集某些性质能够通过概念进行描述，而概念格所具有的特殊结构可以具有函数依赖，因而能够令条件属性通过概念格直观的予以约简。结束语当前计算机技术的发展还具有一定的局限性，在理论结合研究中仅仅能够在某两个理论之间进行研究，但是在当前的研究中即便是两种理论的结合也存在需要予以改进的地方，因而在今后的研究汇总中，还需要将更多的理论联系起来，相互之间取长补短，提高当前的计算机应用水平。课题份量和难易程度要恰当，博士生能在二年内作出结果，硕士生能在一年内作出结果，特别是对实验条件等要有恰当的估计。
