计算机理论中粗糙集应用分析

1、计算机理论中粗糙集应用分析计算机理论中粗糙集应用分析引言当前网络技术开展以及计算机技术逐步向着更加完善的方向开展，信息时代已经全面降临，计算机已经成为人类生活以及消费必备的工具，而如何才可以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。软计算的出现那么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准确不确定的信息获得相对低代价、易处理信息的一种方法集合。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

2、应用中获得了宏大的成就。1粗糙集理论概述计算机的应用之所以可以越来越广泛，主要是因为其逻辑计算的高效和准确性，而粗糙集那么可以对一些不确定问题进展分析计算。对于事物进展分析的才能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展标示。粗糙集对于事物的刻画主要通过其上下近似算子进展，由于无需数据外的其他知识，因此客观性较高。因此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。2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，而这种对隶属进展衡量的函数那么称为隶属函数。模糊集

3、主要依赖于这种隶属函数对数据元素进展判断，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按照专家经历或者由管数据统计结果进展，因此主观性较高，而当前的信息要求中客观性要求在不断提升，因此模糊集的这种缺陷必须予以改良。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本文由论文联盟.Ll.搜集整理观确定，而无需事先的建立以及其他的经历知识，因此客观性较强。实际生活中，很多先验知识已经无需进展再次确定和判断，但是通过这些知识的利用却可以对数据的计算分析效率进步有所帮助，而这些便可以弥补粗糙集的缺陷。通过这一理论分析可以看出，模糊集同粗糙集之间的互补性较强，假设将二者结合起来，在问题的解决

4、中效率更高。而二者的理论结合研究已经获得了初步进展，并在实际的应用中开场推广，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展确定，也就是利用隶属函数将元素中I型昂同的隶属度归为一样的等价类，从而对论域进展划分。从本质上分析，即对确定的模糊集纸质进展粗糙集等价关系转换，从而得到粗糙等价类的方式，通过这种方式可以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。很多学者对其进展了比拟研

5、究，并予以有效地改善，进一步的开展和改良了该种理论研究。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，创始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。3粗糙集同神经网络的结合当前的信息网络已经开场向着智能化方向开展，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拟。因此其学习才能较强，无论在有监视还是无监视的情况下都可以对数据进展有效的分析和处理，因此在形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

6、器，天然具有存储经历知识和使之可用的特性。神经元是神经网络最根本的信息处理单元，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，可以实现有监视和无监视的学习，并可以对信息进展并行处理；同时，它具有很好的抑制噪声的才能。但是神经网络也有很明显的缺陷，它无法对输入的信息进展有用性或冗余性的判断，因此不能对输入的信息进展简化，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：1将粗糙集作为神经网络的前端处理器，通过利用粗糙集先对原始信息进展属性及属性值的约简，去

7、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，进步了系统反响速度，而且也可以充分发挥神经网络在抗噪性和容错性的优势，到达进步神经网络整体性能的目的。2通过在神经网络中引入一种粗糙神经元来进展，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确实定及网络语义提供了一种便于实现的新思路。随着软计算理论中的各种理论和技术的不断开展和创新，将神经网络与诸

8、如进化算法、概念格、证据理论及混沌学等加强结合研究，相信会获得更加让人振奋的成就。4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搜集、自动化研究以及人工智能领域中。而粗糙集同其结合主要表达在对属性的约简和数据挖掘中。5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，hile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，相比照规那么提取以及数据分析，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。而粗糙集同概念格具有一定的相似性，因此令两者之间具有一定的联络，粗糙集理论中存在上下近似以及属性依赖，因此这种概念表示可以在相的背景中有一进展，通过这种概念可以将粗糙集应用进展扩展，使得概念格同粗糙集可以充分的交融，粗糙集某些性质可以通过概念进展描绘，而概念格所具有的特殊构造可以具有函数依赖，因此可以令条件属性通过概念格直观的予