دانلود مقاله ISI انگلیسی شماره 29501 + ترجمه فارسی
عنوان فارسی مقاله

تخمین گفتگو و استخراج قانون از جداول تصمیم گیری در نظریه مجموعه راف

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
29501 2008 12 صفحه PDF 21 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Converse approximation and rule extraction from decision tables in rough set theory
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Computers & Mathematics with Applications, Volume 55, Issue 8, April 2008, Pages 1754–1765

فهرست مطالب ترجمه فارسی
چکیده
مقدمه
تخمین مثبت
تخمین گفتگو
استخراج قانون مبتنی بر تخمین گفتگو

جدول 1. جدول تصمیم گیری متناقض
جدول 2. قوانین تصمیم گیری استخراج شده از جدول تصمیم گیری S1
جدول 3. جدول تصمیم گیری متناقض
جدول 4. قوانین تصمیم گیری استخراج شده از جدول تصمیم گیری S2
نتیجه گیری
کلمات کلیدی
تئوری مجموعه دقیق - تخمین صحبت - جدول تصمیم گیری - قوانین تصمیم گیری - استخراج قانون -
ترجمه چکیده
در این مقاله، مفهوم یک ترتیب گرانولی برای یک سیستم اطلاعاتی ارائه شده است. تخمین گفتگوی یک مفهوم هدف تحت ترتیب گرانولی تعریف شده است و برخی از مشخصه های مهم آن بدست آمده اند، که می توان از این مشخصه ها برای مشخص نمودن ساختار یک مجموعه تخمین بهره برد. در مورد زیرمجموعه ای از عالم وجود در یک سیستم اطلاعاتی، میزان همگرایی آن تحت یک ترتیب گرانولی به شکلی یکنواخت افزایش می یابد. این بدین معنی است که می توان خانواده مناسبی از گرانول ها را برای یک تخمین مفهومی هدف و براساس نیازهای کاربر، انتخاب نمود. به عنوان یکی از کاربردهای تخمین گفتگو، یک الگوریتم مبتنی بر تخمین صحبت به نام REBCA برای استخراج قانون تصمیم گیری از یک جدول تصمیم گیری طراحی می گردد، که این جدول تصمیم گیری دارای پیچیدگی زمانی معادل با بوده و کاربرد عملی آن توسط دو مثال نشان داده شده است.
ترجمه مقدمه
اخیرا، نظریه مجموعه دقیق که توسط پولاک ایجاد شده است، به یک چهارچوب ریاضی محبوب برای آنالیز توصیف های رایج اجسام تبدیل شده است. تمرکز نظریه مجموعه دقیق بر روی ابهام بوجود آمده توسط تظاهر اجسام در حوزه سخن گفتن است. مفاهیم کلیدی آن همان مفاهیم کلیدی تظاهر جسمی و تخمین مجموعه است، و چشم انداز های اصلی آن نیز دید اطلاعاتی و دید جبری می باشد. کاربرد عمده نظریه مجموعه دقیق تاکنون تولید قوانین منطقی برای دسته بندی و پیش بینی استفاده از گرانول های اطلاعاتی بوده است؛ تا بتوان از این راه آن را به یک ابزار آینده نگرانه برای شناخت الگو، پردازش تصویر، انتخاب مشخصه، داده کاوی و پروسه کشف دانش از مجموعه ای بزرگ از داده ها، تبدیل کرد. محاسبه گرانولی (GrC)، به عنوان یک موضوع تحقیقاتی تجدید شده، اصطلاحی ست که به مانند چتر هر نظریه، متدولوژی، تکنیک و ابزاری را که از گرانول ها در حل مسئله استفاده می کند، تحت پوشش قرار می دهد. ایده های پایه ای GrC در زمینه های مرتبط مانند آنالیز متناوب، نظریه مجموعه دقیق، آنالیز خوشه ای، یادگیری ماشینی، دیتابیس ها و بسیاری دیگر، پدیدار شده اند. در ادامه برای پیشرفت بیشتر، به طور خلاصه به بررسی GrC می پردازیم. ال ای زاده سه مفهوم پایه ای را مشخص نمود که بر پروسه شناخت انسانی، به ویژه، گرانولی شدن، سازمان، و نسبت علت و معلول تاکید دارد. "گرانولی شدن شامل تجزیه کل به جزء است، سازمان شامل یکپارچه سازی جزء به کل است، و نسبت علت و معلول شامل رابطه میان علت و معلول است". زاده در زمینه نظریع مجموعه فازی به ارائه ی یک چهارچوب کلی از محاسبه گرانولی می پردازد. تعدادی از نویسندگان به بررسی محاسبه گرانولی در ارتباط با نظریه مجموعه دقیق پرداختند. یائو استفاده از گرانولی های مرتبه ای برای مطالعه تخمین های مجموعه دقیق را پیشنهاد کرد. لین و یائو با استفاده از سیستم های مجاور به مطالعه بر روی محاسبه گرانولی پرداختند. کلیر به بررسی برخی مسائل پایه در محاسبه از طریق احتمالات گرانولی پرداختند. نظریه فضای مضربی به نظریه فضای مضربی فازی مبتنی بر رابطه متعادل فازی گسترش یافت. لیانگ و شی بین گرانولی دانشی، آنتروپی اطلاعات، مقیاس گرانولی و آنتروپی دقیق در نظریه مجموعه دقیق رابطه ای ایجاد نمود. لیانگ و کیان به مطالعه تخمین مجموعه های دقیق مبتنی بر گرانولی داینامیک (تخمین مثبت) و کاربرد آن در استخراج قانون پرداختند. در چشم انداز محاسبه گرانولب، مفهوم کلی توصیف شده توسط یک مجموعه همیشه از طریق تخمین های به اصلاح بالاتر و پایین تر شناخته می شود. با این حال، در تخمین مجموعه های دقیق تحت گرانولی داینامیک، یک مفهوم کلی توصیف شده با استفاده از تخمین مثبت از طریق تخمین های متغیر بالاتر و پایین تر تحت گرانولی داینامیک شناخته می شود، که این جنبه ای از درک مردم با حل توانایی در برخی گرانولی های مختلف می باشد. در سالهای اخیر، نظریه مجموعه دقیق به طور گسترده ای برای استخراج جداول تصمیم گیری مورد استفاده قرار می گیرند. جداول تصمیم گیری دارای دو جنبه هستند: جداول تصمیم گیری نامتناقض و جداول تصمیم گیری متناقض. برای کاهش ناحیه مرزی، حداقل سه رویکرد وجود دارد. اولین و راحت ترین تکنیک تلاش برای افزایش "حل" جدول تصمیم گیری از طریق اضافه کردن صفت ها و یا از طریق افزایش دقت جداول تصمیم گیری موجود. رویکرد دوم تهیه لایه ای دیگر از جداول تصمیم گیری از طریق تلقی کردن هر زیر دامین از اجسام است که توصیف مجموعه ابتدایی ناحیه مرزی جداول تصمیم گیری اصلی را، هماهنگ می کنند، به عنوان یک دامین توسط خودش. روش پیشنهادی سوم کاهش ناحیه مرزی بر روی ایده ی تلقی کردن هر زیردامین حوزه اصلی مرتبط با ناحیه مرزی کل به عنوان حوزه ای جدید توسط خودش است. با این حال، در حقیقت صحت دسته بندی (مقیاس تخمین) بر طبق الزامات تصمیم گیری و یا اولویت تصمیم گیران به طور کل، محدود است. یک پرسش واضح این است که چطور می توان قوانین تصمیم گیری ساده تری را بر پایه حفظ یک مقیاس تخمین استخراج نمود. لیانگ و کیان مفهوم تخمین مثبت را ارائه کردند و آن را برای استخراج قانون از جداول تصمیم گیری نامتناقض در نظریه مجموعه دقیق به کار گرفتند. در (21) یک ساده سازی دانشی مرتبط به تعیین خانواده قوانین تصمیم گیری برای یک جدول تصمیم گیری می پردازد. باید گفت که کاهش دانش مرتبط باید قبل از استخراج قانون از جداول تصمیم گیری بدست بیاید. انواع مختلفی از ساده سازی دانشی در زمینه مجموعه دقیق پیشنهاد شده اند و هر یک از این ساده سازی ها الزامات پایه ای را نشانه می گیرند. با این حال، پیچیدگی این ساده سازی های صفتی بسیار بیشتر است، و استخراج قوانین تصمیم گیری از جداول تصمیم گیری راحت نیست. هدف از تحقیق پیش رو یافتن یک روش برای استخراج قانون از جداول تصمیم گیری بدون محاسبه ساده سازی صفتی مرتبط در نظریه مجموعه دقیق می باشد. براساس این مطالعات، اهداف اصلی مقاله ایجاد ساختاری از تخمین یک مفهوم هدف از طریق معرفی مفهومی از ترتیب گرانولی، بررسی برخی از مشخصه های مهم آن و به کارگیری آن در استخراج قانون از جداول تصمیم گیری می باشد. در ادامه این مقاله اینگونه آمده است. در بخش 2، ما به بررسی برخی از مفاهیم و مشخصه های پایه ای تخمین مثبت می پردازیم. تعاریف مربوط به تخمین های گفتگو از یک مفهوم هدف و یک تصمیم گیری هدف (پارتیشن هدف) مبتنی بر گرانولی داینامیک ارائه شده اند، و برخی از مشخصه های مفید آنها در بخش 3 آورده شده است. در بخش 4، یک روش استخراج قانون جدید از جداول تصمیم گیری مبتنی بر تخمین گفتگو در نظریه مجموعه دقیق ارائه شده و پیچیدگی زمانی این الگوریتم مورد آنالیز قرار می گیرد. و ما نشان می دهیم که چطور این الگوریتم توسط دو مثال (یک جدول تصمیم گیری نامتناقض و یک جدول تصمیم گیری متنافض) به استخراج قوانین تصمیم گیری می پردازد. در نهایت، در بخش 5 به نتیجه گیری کلی تحقیق می پردازیم.
پیش نمایش مقاله
پیش نمایش مقاله تخمین گفتگو و استخراج قانون از جداول تصمیم گیری در نظریه مجموعه راف

چکیده انگلیسی

In this paper, the concept of a granulation order is proposed in an information system. The converse approximation of a target concept under a granulation order is defined and some of its important properties are obtained, which can be used to characterize the structure of a set approximation. For a subset of the universe in an information system, its converge degree is monotonously increasing under a granulation order. This means that a proper family of granulations can be chosen for a target concept approximation according to user requirements. As an application of the converse approximation, an algorithm based on the converse approximation called REBCA is designed for decision-rule extraction from a decision table, which has a time complexity of View the MathML sourceO(m2|C|2|U|log2|U|), and its practical applications are illustrated by two examples.

مقدمه انگلیسی

Recently, rough set theory developed by Pawlak in [1] has become a popular mathematical framework for the analysis of vague descriptions of objects. The focus of rough set theory is on the ambiguity caused by limited discernibility of objects in the domain of discourse. Its key concepts are those of object indiscernibility and set approximation, and its main perspectives are information view and algebra view [2]. The primary use of rough set theory has so far mainly been in generating logical rules for classification and prediction using information granules; thereby making it a prospective tool for pattern recognition, image processing, feature selection, data mining and knowledge discovery process from large data sets [3], [4] and [5]. As a recently renewed research topic, granular computing (GrC) is an umbrella term to cover any theories, methodologies, techniques, and tools that make use of granules in problem solving [6], [7] and [8]. Basic ideas of GrC have appeared in related fields, such as interval analysis, rough set theory, cluster analysis, machine learning, databases, and many other. As follows, for our further development, we briefly review research on GrC. L.A. Zadeh identified three basic concepts that underlie the process of human cognition, namely, granulation, organization, and causation. “Granulation involves decomposition of whole into parts, organization involves integration of parts into whole, and causation involves association of causes and effects”. A general framework of granular computing was presented by Zadeh [6] in the context of fuzzy set theory. Some authors [9], [10] and [11] examined granular computing in connection with the theory of rough sets. Yao [12] suggested the use of hierarchical granulations for the study of stratified rough set approximations. Lin [13] and Yao [14] studied granular computing using neighborhood systems. Klir [15] investigated some basic issues of computing with granular computing with granular probabilities. The theory of quotient space had been extended into the theory of fuzzy quotient space based on fuzzy equivalence relation [16]. Liang and Shi [17] established the relationship among knowledge granulation, information entropy, granularity measure and rough entropy in rough set theory. Liang and Qian [18] and [19] studied rough sets approximation based on dynamic granulation (positive approximation) and its application for rule extracting. In the view of granular computing, a general concept described by a set is always characterized via the so-called upper and lower approximations under static granulation in rough set theory, and a static boundary region of the concept is induced by the upper and lower approximations. However, in rough sets approximation under dynamic granulation, a general concept described by using the positive approximation is characterized via variational upper and lower approximations under dynamic granulation, which is an aspect of people’s comprehensive solving ability at some different granulations. In recent years, rough set theory has been widely applied to extracted from decision tables. Decision tables have two cases: consistent decision tables and inconsistent decision tables. Ziarko [20] proposed a method of rule extracting from decision tables by reducing boundary area in decision tables. There are at least three approaches to reducing boundary area. The first and simplest technique is to try to increase the decision table “resolution” by adding more attributes or by increasing the precision of existing ones. The second approach is to provide another layer of decision tables, by treating each subdomain of objects matching the description of an elementary set of the boundary area of the original decision tables as a domain (the universe) by itself. The third proposed method of boundary area reduction is based on the idea of treating the subdomain of the original domain corresponding to the whole boundary area as the new domain by itself. However, in fact, the classification accuracy (the approximation measure) [21] is constrained according to decision requirements or preference of decision makers in general. An obvious question is how to extract much simpler decision rules on the basis of keeping an approximation measure. Liang and Qian [18] and [19] presented the notion of positive approximation and applied it for rule extracting from consistent decision tables in rough set theory. In [21], a given relative knowledge reduction determines a family of decision rules for a decision table. That is to say, relative knowledge reduction must be obtained before rule extracting from decision tables. Many types of knowledge reductions have been proposed [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32] and [33] in the area of rough set and each of the reductions aimed at some basic requirement. However, the complexity of these attribute reductions are much worse, which is inconvenient to extract decision rules from decision tables. Our research aims to find a method for rule extracting without computing relative attribute reduction of a decision table in rough set theory. Based on these studies, the main objectives of this paper are to establish the structure of the approximation of a target concept by introducing a notion of a granulation order, investigate some of its important properties, and apply it to rule extracting from decision tables. The rest of this paper is organized as follows. In Section 2, we review some basic concepts and properties of the positive approximation. The definitions of converse approximations of a target concept and a target decision (target partition) based on dynamic granulation are presented respectively, and some of their very useful properties are educed in Section 3. In Section 4, a new rule-extracting method of decision tables based on converse approximation in rough set theory is proposed and time complexity of this algorithm is analysed. And we show how the algorithm to extract decision rules by two illustrative examples (a consistent decision table and an inconsistent decision table). Finally, Section 5 concludes the whole paper.

نتیجه گیری انگلیسی

In this paper we have extended rough set approximation under static granulation to rough set approximation under dynamic granulation, which is called the converse approximation of a target concept. The concept of converse approximation is mainly based on a granulation order from fine to coarse. For a subset of the universe, its converge degree is monotonously increasing as a granulation order becomes longer. This means that a target concept or a target classification can be approximated by the change in the converse approximation induced by a granulation order. As an application of the converse approximation, an algorithm called REBCA has been proposed for extracting decision rules from a decision table. Two illustrative examples (a consistent decision table and an inconsistent decision table) have been employed to show the validity of this algorithm. Moreover, the time complexity of algorithm REBCA is much smaller than those of existing rule-extracting approaches based on attribute reduct. These results will be helpful in efficiently extracting decision rules from practical large-scale data sets.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.