优势关系下的区间值信息系统知识获取方法

As an important potential data analysis methodology, the theory of Rough Sets (RS) is a powerful tool for knowledge processing and knowledge discovery which has been successfully used in various fields. The classical RS is analyzed based on a single-valued information system with equivalence relation or compatible relation. Combined with RS and multi-attribute decision theory, this project discuss the methodology of knowledge reduction and knowledge acquisition in interval-valued ordered information system systematically, the main study focus on: (1) lower/upper approximation operator and attribute reduction approaches based on maximal dominant block in interval-valued ordered information systems;（2）attribute reduction and rule acquisition method of interval-valued ordered decision information systems based on maximal dominant (dominated) block; (3) uncertainty analysis and information fusion of interval-valued ordered information systems; (4) knowledge acquisition method of combination and decomposition of interval-valued ordered information systems; (5) the algebraic mappings between interval-valued ordered information systems. The study of this project, will further develop and improve the theory of RS,evaluation and decision making, and will provide a new theoretical foundation for knowledge acquisition and uncertainty reasoning of complex systems. Related research results will have widely application perspectives to the practical problems of data mining, information retrieval, multi-attribute decision，machine learning and other disciplines.

粗糙集理论作为一种具有巨大潜力的数据分析方法，是知识表示和知识发现的有效工具，已被成功应用于许多领域。经典的粗糙集理论是基于单值的信息系统上的等价或相容关系来分析的，本项目以区间值信息系统为研究对象，将粗糙集和多属性决策理论相结合，研究优势关系下的区间值序信息系统的知识获取与知识表示问题，主要研究内容包括：（1）基于最大优势块的区间值序信息系统上的下、上近似算子和属性约简方法；（2）基于最大优势（劣势）块的区间值序决策信息系统的属性约简和规则获取方法；（3）区间值序信息系统的不确定性分析与信息融合；（4）区间值序信息系统的合成与分解知识获取方法；（5）区间值序信息系统之间的代数映射。通过本课题的研究，进一步发展和完善粗糙集和评估决策理论，为复杂系统中的知识获取和不确定性推理提供新的理论基础。相关研究成果将对数据挖掘、信息检索、多属性决策和机器学习等学科领域的实际问题有广泛的应用前景。

数据挖掘的一个核心问题是以属性特征提取为内容的知识约简问题，知识约简是在保持知识库的分类或决策能力不变的条件下，删除其中不相关或不重要知识，它是知识发现的核心问题之一。..本课题对主要对覆盖粗糙集的模型推广、特征提取、知识约简、概念格的模型推广、知识约简、粗糙集和概念格的关系进行了研究，研究更一般意义下的信息系统的知识约简与知识获取方法，我们得到了如下结果：覆盖粗糙集的约简方法、模糊粗糙集的特征选择方法、模糊信息系统的优势约简与粒度约简的关系、覆盖近似空间与概念格的关系、概念粒计算系统的生成算子的公理化特征、双空间粗糙集和概念格之间的关系、单边模糊概念格的模型推广和构造算法。..以上研究成果进一步发展和完善了复杂和不确定条件下的覆盖粗糙集和概念格理论，为复杂系统的知识约简和知识获取提供了新的理论方法。本课题所涉及的问题是信息科学的热点问题，解决这些问题不仅对粗糙集、形式概念分析理论本身有重要价值，而且对数据挖掘、信息检索、多属性决策和机器学习等学科领域的实际问题有广泛的应用前景。