当对象集变化时在基于优势的粗糙集方法中使用三向决策进行动态知识更新

基于优势的粗糙集方法是经典Pawlak粗糙集理论和方法的扩展,其中充分考虑了在属性值域上具有优先顺序关系的信息。 在基于优势的信息系统中,上下近似将被更改,而对象集随时间变化,并且近似值需要相应地更新,因为它们的变化会导致知识和规则的更改。 考虑到三向决策是人类解决问题和信息处理的通用和有效的特殊方式,本文提出了一种新的使用三向决策的增量维护机制,即将宇宙分为三对首先分离子集,然后制定适当的策略并针对每个子集采取措施。 此外,从基于三元决策的角度,在基于优势的信息系统中对象集的变化下,系统地分析了更新决策类的向上联盟和向下联盟的近似值的相应方法。 此外,考虑到矢量表示和计算是直观而简洁的,提出了两种近似的增量更新算法,并在MATLAB平台中实现。 最后,对来自UCI(UC Irvine机器学习存储库)的数据集进行了一些测试,以验证所提出方法的有效性。 与非增量更新方法相比,提出的具有三向决策的增量更新方法通常具有更好的性能。