CN109800384A - 一种基于粗糙集信息决策表的基本概率赋值计算方法 - Google Patents
一种基于粗糙集信息决策表的基本概率赋值计算方法 Download PDFInfo
- Publication number
- CN109800384A CN109800384A CN201811626323.6A CN201811626323A CN109800384A CN 109800384 A CN109800384 A CN 109800384A CN 201811626323 A CN201811626323 A CN 201811626323A CN 109800384 A CN109800384 A CN 109800384A
- Authority
- CN
- China
- Prior art keywords
- decision table
- information
- rough sets
- signment
- information decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于粗糙集信息决策表的基本概率赋值计算方法,包括步骤:1)将信息源中条件属性按粗糙集信息决策表中条件属性顺序进行排序;2)建立基于信息源的条件属性子集R’,并计算R’在粗糙集信息决策表中的不可分辨关系[x]R’,形成不分辨关系集合IND(R’);3)计算集合IND(R’)中各元素所属粗糙集信息决策表中不同决策属性的个数d;4)计算信息源对于粗糙集信息决策表中各决策属性的基本概率赋值P。本发明能够克服现有技术的缺点与不足,广泛用于证据理论中基本概率赋值的计算,通过从粗糙集信息决策表中提取一组不可分辨关系计算基本概率赋值,使得基本概率赋值的计算复杂程度相比传统方法大大减少,有利于粗糙集信息决策表的快速实现和响应。
Description
技术领域
本发明属于信息技术领域,具体涉及一种基于粗糙集信息决策表的基本概率赋值计算方法。
背景技术
证据理论广泛用于医学诊断、目标识别、军事指挥等众多领域,证据理论需要综合考虑来自多源的不确定信息,如多个传感器的信息、多位专家的意见等。而基本概率赋值是证据理论中实现信息融合决策的前提,通过计算信息源的基本概率赋值,以完成信息推理及信度决策。如何有效利用已有的信息决策表计算未知信息源的基本概率赋值,对实现信息融合决策具有重要意义。
目前,计算证据理论中信息源基本概率赋值的方法主要有专家投票加权平均法、根据目标类型和环境加权系数确定基本概率赋值法以及根据模式之间相似度获取基本概率赋值法等。其中,专家投票加权法通过将专家意见定量化并求解其对于各信息源的加权平均值来计算基本概率赋值,但此方法受专家经验影响较大,不利于信息的客观表达。对于此种影响,根据目标类型和环境加权系数确定基本概率赋值的方法和根据模式之间相似度获取基本概率赋值的方法需要经过一系列的矩阵变换和迭代求解,逻辑较复杂。纵观已有的基本概率赋值计算方法,尚存在以下问题:(1)大部分方法依赖专家经验,基本概率赋值的取值受专家经验影响较大,不利于信息的客观表达;(2)从各信息源中获取基本概率赋值的方法逻辑较为复杂,不利于信息决策的快速实现和响应。
发明内容
本发明旨在提出一种基于粗糙集信息决策表的基本概率赋值计算方法,该方法能够克服现有技术的缺点与不足,通过基于信息源的不可分辨关系的划分,使基本概率赋值计算的复杂程度相比传统方法大大减少,有利于信息信度决策的快速实现和响应。方法简单、高效,为信息的有效处理和识别提供理论支撑。
本发明采用如下技术方案来实现的:
一种基于粗糙集信息决策表的基本概率赋值计算方法,包括以下步骤:
1)将信息源中条件属性按粗糙集信息决策表中的条件属性顺序进行排序;
2)建立基于信息源的条件属性子集R’,并计算R’在粗糙集信息决策表中的不可分辨关系[x]R’,形成不分辨关系集合IND(R’);
3)计算不分辨关系集合IND(R’)中各元素所属粗糙集信息决策表中不同决策属性的个数d;
4)计算信息源对于粗糙集信息决策表中各决策属性的基本概率赋值P。
本发明进一步的改进在于,步骤1)中,将信息源中存在的条件属性按粗糙集信息决策表中条件属性顺序进行排序后,并将信息源中缺少的条件属性值置为0。
本发明进一步的改进在于,步骤2)中,具体包含以下步骤:
201)建立基于信息源的条件属性子集R’={r1,r2,…,rn}:
其中,条件属性子集R’中的元素rn表示与粗糙集信息决策表中第n个条件属性对应信息源中的值,n=1,2,3,....N,N是粗糙集信息决策表中条件属性个数;
202)计算在粗糙集信息决策表中的不可分辨关系[x]R’:
对比粗糙集信息决策表中每条规则元素xi中条件属性与集合R’={r1,r2,…,rn}中不为0的元素,将所有不为0的元素相同的对应规则元素取出,形成不分辨关系集合IND(R’);
其中,xi指粗糙集信息决策表中的规则元素,每条规则元素有一组条件属性和一个决策属性组成,i=1,2,3,....I,I指粗糙集信息决策表中规则元素个数。
本发明进一步的改进在于,步骤3)中,具体实现方法如下:
301)将粗糙集信息决策表中各规则元素对应决策属性D相同的规则元素分别形成集合:[x]D1,[x]D2,…,[x]Dj;
其中,j=1,2,3,....J,J是粗糙集信息决策表中决策属性个数;
302)计算不分辨关系集合IND(R’)分别与[x]D1,[x]D2,…,[x]Dj交集的元素个数d=|[x]R’∩[x]D|,d=d1,d2,…,dj。
本发明进一步的改进在于,步骤4)中,具体实现方法如下:
401)计算不分辨关系集合IND(R’)中元素总个数X;
402)计算得到信息源对于粗糙集信息决策表中各决策属性D的基本概率赋值Pm=dm/X,m={1,2,…,J}。
本发明具有如下有益的技术效果:
本发明可以广泛用于信息处理技术中信息源基本概率赋值的计算,通过基于信息源的不可分辨关系的划分,使基本概率赋值计算的复杂程度相比传统方法大大减少,有利于信息信度决策的快速实现和响应,为信息的有效处理和识别提供理论支撑。
进一步,将信息源中条件属性按粗糙集信息决策表中条件属性顺序进行排序,将信息源缺少的条件属性置为0,有利于计算信息源在粗糙集信息决策表不可分辨关系。
进一步,通过建立基于信息源的条件属性子集,可以快速形成信息源在粗糙集信息决策表中的不可分辨关系,方法高效、清晰明确。
进一步,计算信息源在粗糙集信息决策表中的不可分辨关系中各元素所属粗糙集信息决策表中不同决策属性的个数,有利于提取信息源所有可能对应的决策属性,便于实现基本概率赋值的计算。
进一步,本发明通过分析信息源与粗糙集信息决策表中规则的相似性,将不可分辨关系作为计算基本概率赋值的基础,建立基本概率赋值的计算方法,有利于从粗糙集信息决策表中提取知识,获取信息源的基本概率赋值。
综上所述,相比于传统方法,本发明不需要依赖人工经验进行基本概率赋值的计算,并且当存在多个信息源时从粗糙集信息决策表中计算信息源的基本概率赋值方法具有更快的响应能力,有利于现场应用。
附图说明
图1为本发明实施方法的总体流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合实施例及附图对本发明作进一步详细说明,但本发明的实施方式不限于此。
表1为某个粗糙集信息决策表,其中X列表示粗糙集信息决策表中的决策元素,每个决策元素对应一组条件属性集{r1,r2,r3,r4}和一个决策属性D。粗糙集信息决策表中条件属性个数N=4,决策属性个数J=3。当信息源的条件属性为r2=1,r3=1时,计算信息源基于粗糙集信息决策表的基本概率赋值。
表1:
具体来说,如图1所示,本发明提出的一种基于粗糙集信息决策表的基本概率赋值计算方法,包括以下步骤:
1)将信息源中条件属性按粗糙集信息决策表中的条件属性顺序进行排序:
信息源的条件属性为r1=0,r2=1,r3=1,r4=0;
2)建立基于信息源的条件属性子集R’,并计算R’在粗糙集信息决策表中的不可分辨关系[x]R’,形成不分辨关系集合IND(R’),包含以下步骤:
201)建立基于信息源的条件属性子集R’={r1,r2,r3,r4}:
R’={0,1,1,0};
202)计算在粗糙集信息决策表中的不可分辨关系[x]R’:
对比粗糙集信息决策表中每条规则元素xi中条件属性与集合R’={0,1,1,0}中不为0的元素,将所有不为0的元素相同的对应规则元素取出,形成不分辨关系集合IND(R’)={x7,x12,x13};
3)计算不分辨关系集合IND(R’)中各元素所属粗糙集信息决策表中不同决策属性的个数d=|[x]R’∩[x]D|包含以下步骤:
301)将粗糙集信息决策表中各规则元素对应决策属性D相同的规则元素分别形成集合:
[x]D1={x1x4x7x10x13x16};
[x]D2={x2x5x8x11x14};
[x]D3={x3x6x9x12x15};
302)计算不分辨关系集合IND(R’)分别与[x]D1,[x]D2,…,[x]Dj交集的元素个数:d1=2,d2=0,d3=1;
3)计算信息源对于粗糙集信息决策表中各决策属性的基本概率赋值P包含以下步骤:
401)计算不分辨关系集合IND(R’)中元素总个数X=3;
402)计算信息源对于粗糙集信息决策表中各决策属性D的基本概率赋值:P1=d1/X=2/3、P2=d2/X=0、P3=d3/X=1/3。
以上所述仅为本发明的优选实施示例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于粗糙集信息决策表的基本概率赋值计算方法,其特征在于,包括以下步骤:
1)将信息源中条件属性按粗糙集信息决策表中的条件属性顺序进行排序;
2)建立基于信息源的条件属性子集R’,并计算R’在粗糙集信息决策表中的不可分辨关系[x]R’,形成不分辨关系集合IND(R’);
3)计算不分辨关系集合IND(R’)中各元素所属粗糙集信息决策表中不同决策属性的个数d;
4)计算信息源对于粗糙集信息决策表中各决策属性的基本概率赋值P。
2.根据权利要求1所述的一种基于粗糙集信息决策表的基本概率赋值计算方法,其特征在于,步骤1)中,将信息源中存在的条件属性按粗糙集信息决策表中条件属性顺序进行排序后,并将信息源中缺少的条件属性值置为0。
3.根据权利要求2所述的一种基于粗糙集信息决策表的基本概率赋值计算方法,其特征在于,步骤2)中,具体包含以下步骤:
201)建立基于信息源的条件属性子集R’={r1,r2,…,rn}:
其中,条件属性子集R’中的元素rn表示与粗糙集信息决策表中第n个条件属性对应信息源中的值,n=1,2,3,….N,N是粗糙集信息决策表中条件属性个数;
202)计算在粗糙集信息决策表中的不可分辨关系[x]R’:
对比粗糙集信息决策表中每条规则元素xi中条件属性与集合R’={r1,r2,…,rn}中不为0的元素,将所有不为0的元素相同的对应规则元素取出,形成不分辨关系集合IND(R’);
其中,xi指粗糙集信息决策表中的规则元素,每条规则元素有一组条件属性和一个决策属性组成,i=1,2,3,….I,I指粗糙集信息决策表中规则元素个数。
4.根据权利要求3所述的据权利要求2所述的一种基于粗糙集信息决策表的基本概率赋值计算方法,其特征在于,步骤3)中,具体实现方法如下:
301)将粗糙集信息决策表中各规则元素对应决策属性D相同的规则元素分别形成集合:[x]D1,[x]D2,…,[x]Dj;
其中,j=1,2,3,....J,J是粗糙集信息决策表中决策属性个数;
302)计算不分辨关系集合IND(R’)分别与[x]D1,[x]D2,…,[x]Dj交集的元素个数d=|[x]R’∩[x]D|,d=d1,d2,…,dj。
5.根据权利要求4所述的一种基于粗糙集信息决策表的基本概率赋值计算方法,其特征在于,步骤4)中,具体实现方法如下:
401)计算不分辨关系集合IND(R’)中元素总个数X;
402)计算得到信息源对于粗糙集信息决策表中各决策属性D的基本概率赋值Pm=dm/X,m={1,2,…,J}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626323.6A CN109800384B (zh) | 2018-12-28 | 2018-12-28 | 一种基于粗糙集信息决策表的基本概率赋值计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626323.6A CN109800384B (zh) | 2018-12-28 | 2018-12-28 | 一种基于粗糙集信息决策表的基本概率赋值计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800384A true CN109800384A (zh) | 2019-05-24 |
CN109800384B CN109800384B (zh) | 2020-07-28 |
Family
ID=66558084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811626323.6A Active CN109800384B (zh) | 2018-12-28 | 2018-12-28 | 一种基于粗糙集信息决策表的基本概率赋值计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800384B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694342A (zh) * | 2020-06-12 | 2020-09-22 | 中国船舶重工集团公司第七0三研究所 | 一种基于相似度的工业锅炉故障诊断方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019575A1 (en) * | 2002-07-24 | 2004-01-29 | Talbot Patrick J. | General purpose fusion engine |
CN1604091A (zh) * | 2004-11-04 | 2005-04-06 | 上海交通大学 | 基于数值仿真与粗糙集算法的塑性成形工艺规则获取方法 |
CN1652050A (zh) * | 2005-02-24 | 2005-08-10 | 上海交通大学 | 基于仿真与模糊粗糙集算法的塑性成形工艺规则获取方法 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101706883A (zh) * | 2009-11-09 | 2010-05-12 | 北京航空航天大学 | 数据挖掘方法和装置 |
CN101819604A (zh) * | 2010-05-24 | 2010-09-01 | 天津大学 | 基于概率粗糙集的决策树生成方法 |
CN102004796A (zh) * | 2010-12-24 | 2011-04-06 | 钱钢 | 一种网页文本的无阻滞层次分类方法与装置 |
CN102117336A (zh) * | 2011-03-25 | 2011-07-06 | 华南师范大学 | 一种基于决策表的模糊粗糙单调依赖数据挖掘方法 |
CN102142031A (zh) * | 2011-03-18 | 2011-08-03 | 南京邮电大学 | 一种基于粗糙集的海量数据分割方法 |
CN102306190A (zh) * | 2011-08-31 | 2012-01-04 | 哈尔滨工业大学 | 粗糙集中属性集变化时规则集动态更新方法 |
CN105306438A (zh) * | 2015-09-17 | 2016-02-03 | 杭州安恒信息技术有限公司 | 基于模糊粗糙集的网络安全态势评估方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN107103361A (zh) * | 2017-04-13 | 2017-08-29 | 桂林电子科技大学 | 基于粗糙集与回答集的变压器故障诊断方法和系统 |
CN107605536A (zh) * | 2017-11-02 | 2018-01-19 | 湖南科技大学 | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 |
-
2018
- 2018-12-28 CN CN201811626323.6A patent/CN109800384B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019575A1 (en) * | 2002-07-24 | 2004-01-29 | Talbot Patrick J. | General purpose fusion engine |
CN1604091A (zh) * | 2004-11-04 | 2005-04-06 | 上海交通大学 | 基于数值仿真与粗糙集算法的塑性成形工艺规则获取方法 |
CN1652050A (zh) * | 2005-02-24 | 2005-08-10 | 上海交通大学 | 基于仿真与模糊粗糙集算法的塑性成形工艺规则获取方法 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101706883A (zh) * | 2009-11-09 | 2010-05-12 | 北京航空航天大学 | 数据挖掘方法和装置 |
CN101819604A (zh) * | 2010-05-24 | 2010-09-01 | 天津大学 | 基于概率粗糙集的决策树生成方法 |
CN102004796A (zh) * | 2010-12-24 | 2011-04-06 | 钱钢 | 一种网页文本的无阻滞层次分类方法与装置 |
CN102142031A (zh) * | 2011-03-18 | 2011-08-03 | 南京邮电大学 | 一种基于粗糙集的海量数据分割方法 |
CN102117336A (zh) * | 2011-03-25 | 2011-07-06 | 华南师范大学 | 一种基于决策表的模糊粗糙单调依赖数据挖掘方法 |
CN102306190A (zh) * | 2011-08-31 | 2012-01-04 | 哈尔滨工业大学 | 粗糙集中属性集变化时规则集动态更新方法 |
CN105306438A (zh) * | 2015-09-17 | 2016-02-03 | 杭州安恒信息技术有限公司 | 基于模糊粗糙集的网络安全态势评估方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN107103361A (zh) * | 2017-04-13 | 2017-08-29 | 桂林电子科技大学 | 基于粗糙集与回答集的变压器故障诊断方法和系统 |
CN107605536A (zh) * | 2017-11-02 | 2018-01-19 | 湖南科技大学 | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 |
Non-Patent Citations (5)
Title |
---|
严熙: "粗糙集和证据理论相结合在不完备信息下的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
吴馨: "基于粗糙集的证据融合方法研究", 《中国优秀硕士学位论文全文数据库》 * |
安利平: "二元关系聚合与粗糙近似", 《系统工程理论与实践》 * |
程玉胜: "基于粗糙集理论的协调集及其决策树构造", 《南京大学学报:自然科学版》 * |
靳永飞: "优势关系粗糙集的扩展模型及快速约简方法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694342A (zh) * | 2020-06-12 | 2020-09-22 | 中国船舶重工集团公司第七0三研究所 | 一种基于相似度的工业锅炉故障诊断方法 |
CN111694342B (zh) * | 2020-06-12 | 2023-05-16 | 中国船舶重工集团公司第七0三研究所 | 一种基于相似度的工业锅炉故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109800384B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN106096538B (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
CN104765768B (zh) | 海量人脸库的快速准确检索方法 | |
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
Lin et al. | Cir-net: Automatic classification of human chromosome based on inception-resnet architecture | |
CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
Xiao et al. | Multimodal fusion based on LSTM and a couple conditional hidden Markov model for Chinese sign language recognition | |
CN105550699A (zh) | 一种基于cnn融合时空显著信息的视频识别分类方法 | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN109993100A (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
CN101493887B (zh) | 基于半监督学习和哈希索引的眉毛图像分割方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN106021990A (zh) | 一种将生物基因以特定的性状进行分类与自我识别的方法 | |
Ingole et al. | Hybrid model for text classification | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
Kaburlasos et al. | Binary image 2D shape learning and recognition based on lattice-computing (LC) techniques | |
CN109949174A (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN110765285A (zh) | 基于视觉特征的多媒体信息内容管控方法及系统 | |
CN107832753B (zh) | 一种基于四值权重与多重分类的人脸特征提取方法 | |
CN111259264B (zh) | 一种基于生成对抗网络的时序评分预测方法 | |
CN115761408A (zh) | 一种基于知识蒸馏的联邦域适应方法及系统 | |
CN109086794A (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN109543038B (zh) | 一种应用于文本数据的情感分析方法 | |
CN109472307A (zh) | 一种训练图像分类模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |