粗糙集理论

写在前面

形式化（formal）：在完备数学概念基础上，采用具有确定语义定义并有严格语法的语言表达的规范风格。
半形式化（semiformal）：采用具有确定语义定义并有严格语法的语言表达的规范风格。
非形式化（informal）：采用自然语言表达的规范风格。

粗糙集

---

---

1 . 粗糙集相关概念

---

又名：Rough Set、粗糙集、粗集。
提出：由Pwalak教授于1982年提出。
定义：RS是一种可以 定量分析 处理 不精确、 不一致、 不完整 信息与知识的 数学工具 。

目前相关国际会议：RSCTC、RSFDGrC和RSKT。

理论和应用基础：从近似空间导出的一对近似算子（上近似算子、下近似算子），又称上近似集合、下近似集合。

研究方法：构造化方法和公理化方法（代数方法、算子方法）

方法	含义
构造化	基本要素：论域上的二元关系、划分、覆盖、邻域系统、布尔代数 定义粗糙近似算子 导出粗糙集代数系统
公理化 /代数 /算子	满足某些公理的一元集合算子 某些公理可以保证一些特殊类型的二元关系的存在

形式描述：集合、算子

与其他研究不确定和不精确理论区别：不需要提供问题所需要数据集合以外的任何先验信息（不需先验信息）。

主要研究方向：属性约简、规则获取、基于粗糙集的计算智能算法研究。

2 . 概念、可定义集

---

2.1 信息表

---

：一组对象的集合，对象由一组属性描述。如图1-1。

图1-1

设M为信息表，则M的形式化描述为：
M = ( U , A t , { V a ∣ a ∈ A t } , { I a ∣ a ∈ A t } ) M=(U,At,\{V_a|a\in At\},\{I_a|a\in At\}) M=(U,At,{Va​∣a∈At},{Ia​∣a∈At})
U = { x 1 , x 2 , . . . , x n } U = \{x_1,x_2,...,x_n\} U={x1​,x2​,...,xn​} ：有限对象集合，又称：论域。
A t = { 头 疼 ， 肌 肉 疼 ， 体 温 、 流 感 } At = \{头疼，肌肉疼，体温、流感\} At={头疼，肌肉疼，体温、流感}：有限非空的属性集合。
$V_a$：表示属性$a\in At$的属性值范围，即属性 a 的值域。
$I_a:U\to V_a$：是一个信息函数；$I_a(x)$代表对象x在属性a的取值（属性值）。

---

2.2 决策逻辑语言 $\mathbb{L}$

---

To 更好的定义 概 念 的内涵，采用 决策逻辑语言 来分析决策表。
决策逻辑语言：由原子公式组成。

公式
表示方式：	（属性，数据），比如：（头疼，是）
含义 ：	代表具有某些性质的子集；比如：（头疼，是）可以描述所有具有 头疼 属性和头疼属性值为 是 的所有对象。
m( p )	一个公式 p ,则 m( p ) 代表具有p性质的对象全体。

概念的形式化描述：
信息表M中的概念：（ p , m( p ) ）
概念外延：m( p ) = 满足公式p的所有对象全体
概念内涵：p = 信息表M中对对象子集m(p)的描述

由于Rough Set中很多时候考虑的只是一个属性子集$A\in At$,即在决策逻辑语言中只是考虑$A$中的属性
$\mathbb{L}(A)$：表示由属性子集 A 定义的语言 $\mathbb{L}$

---

2.3 可定义集 的 形式化定义

---

定义一(子集可定义)：

在信息表M中，如果称对象子集$X\subseteq U$是可被属性子集$A\subseteq At$定义的，当且仅当在语言$\mathbb{L}(A)$中存在一个公式 p 使得$X=m(p)$，否则，X为不可定义的。

换句话说：只有当在语言$\mathbb{L}(A)$中存在一个公式 p 使得对象子集$X=m(p)$时候，子集$X\subseteq U$是可被属性子集$A\subseteq At$定义的。

可定义集的全体表示：
D e f ( U , L ( A ) ) = { m ( p ) ∣ p ∈ L ( A ) } Def(U,\mathbb{L}(A)) = \{ m( p ) | p \in \mathbb{L}(A)\} Def(U,L(A))={m(p)∣p∈L(A)}

某种角度来讲概念的外延m(p)就是可定义集。
由$\mathbb{L}(A)$定义的概念集合表示：
D e f C o n ( U , L ( A ) ) = { ( p , m ( p ) ) ∣ p ∈ L ( A ) } DefCon(U,\mathbb{L}(A)) = \{ (p, m( p )) | p \in \mathbb{L}(A)\} DefCon(U,L(A))={(p,m(p))∣p∈L(A)}

---

2.4 等价关系E(A)| 不可分辨关系

---

等价关系 ： E(A)
等价类：$[x{]}_{E(A)}$ ，由等价关系E(A)确定

对象$x_i、x_j$在$\mathbb{L}(A)$语言中有相同的 公式 p 描述（note：$x_i、x_j$有相同的属性值），那么两个对象$x_i、x_j$是等价的。

$x_i、x_j$构成的可定义集合 就是 属性集A上的等价关系E(A) 在 论域U上 产生的划分，记为 U / E ( A ) = { [ x ] E ( A ) ∣ x ∈ U } U/E(A) = \{ [ x ]_{E(A)} | x \in U\} U/E(A)={[x]E(A)​∣x∈U}

example：

等价类： U / E ( A ) = { { x 1 , x 2 , x 3 } , { x 4 , x 5 } , { x 6 } } U/E(A)= \{ \{x_1,x_2,x_3\}, \{x_4,x_5 \},\{x_6\}\} U/E(A)={{x1​,x2​,x3​},{x4​,x5​},{x6​}}
：由属性子集A划分了三个等价类。

---

---

3 . 近似空间、上下近似

3.1 近似空间

决策逻辑语言$\mathbb{L}(A)$的 所有可定义集 正好可以构造成一个$\sigma$代数$\sigma (U/E(A))$。
$$Def(U,\mathbb{L}(A))=\sigma (U/E(A))$$

$\sigma$代数，即 $\sigma (U/E(A))$：包含 $\varnothing$、等价关系E(A)构成的等价类和其并集。并且其交、并和补运算是封闭的。

$apr=(U,E(A))$ ：称为一个Pawlaw近似空间，简称：近似空间。

封闭性：某一类数组成的集合记作A,有一种运算方式记作f, A中任意两个元素通过f得到的结果仍然在A中,那么f对于A是封闭的。

简单的说：近似空间 = 所有可定义集的集合 U $\varnothing$

3.2 上下近似

可定义集可以使用公式来进行精确的描述。那么不可定义集合呢？
使用可定义集上下界逼近的方式来描述。

定义二(近似算子)：

：设E(A)是信息表M上的等价关系，$X\subseteq U，上下近似算子 ${\overline{apr}}_{E(A)}$ , ${\underline{apr}}_{E(A)}$为：(后用简写： $\overline{apr}$ , $\underline{apr}$ )

上近似：
a p r ‾ ( X ) = ∪ { Y ∣ Y ∈ σ ( U / E ( A ) ) , Y ∩ X ≠ ∅ } \overline {apr}(X) = \cup\{ Y| Y\in \sigma(U/E(A)), Y\cap X \neq \empty \} apr​(X)=∪{Y∣Y∈σ(U/E(A)),Y∩X̸​=∅}
= ∩ { Y ∣ Y ∈ D e f ( U , L ( A ) ) , Y ⊆ X } = \cap\{ Y| Y\in Def(U,\mathbb{L}(A)), Y \subseteq X \} =∩{Y∣Y∈Def(U,L(A)),Y⊆X}


下近似：
a p r ‾ ( X ) = ∪ { Y ∣ Y ∈ σ ( U / E ( A ) ) , Y ⊆ X } \underline {apr}(X) = \cup\{ Y| Y\in \sigma(U/E(A)),Y \subseteq X \} apr​(X)=∪{Y∣Y∈σ(U/E(A)),Y⊆X}
= ∪ { Y ∣ Y ∈ D e f ( U , L ( A ) ) , Y ⊆ X } = \cup\{ Y| Y\in Def(U,\mathbb{L}(A)), Y \subseteq X \} =∪{Y∣Y∈Def(U,L(A)),Y⊆X}

下近似 == 正域

决策粗糙集

根据粗糙集是否使用了统计信息，粗糙集模型扩展大致有两类：经典怠速和粗糙集模型、概率型粗糙集模型。

Note：下篇文章引入决策粗糙集。

如想详细了解粗糙集可查阅论文：
《粗糙集理论与应用研究综述》A Survey on Rough Set Theory and Applications 【作者】 王国胤； 姚一豫； 于洪；计算机学报 ,Chinese Journal of Computers , 编辑部邮箱 ,2009年07期