多粒度粗糙集与证据理论的融合方法提升信息处理稳健性

本文主要探讨了结合多粒度粗糙集(Multigranulation Rough Sets, MGRS)与证据理论(Evidence Theory)的信息融合方法。MGRS理论源于粗糙集理论，是一种在处理不确定性和模糊性时的工具，它通过乐观主义和悲观主义的多粒度融合函数，提供了两种不同的定性组合规则。这些规则从集合论的角度出发，旨在整合多个粒度的结构，以增强决策和知识表示的准确性。 乐观主义和悲观主义的融合函数分别在处理信息时表现出不同的特性：乐观主义倾向于合并信息中的最大共识，而悲观主义则关注最小共识。然而，这两种方法在实际应用中可能存在不足，乐观主义过于宽松可能导致信息过度融合，失去部分细节；而悲观主义过于严格可能无法有效处理不确定性，使得决策不够灵活。 证据理论，特别是Dempster's Combination Rule，是处理不完全信息和冲突证据的一种有效框架。它强调了概率和证据的融合，允许在不确定环境中进行推理和决策。将证据理论引入MGRS中，旨在克服原有方法的局限，通过结合两者的优势，提供一种更为稳健的信息融合策略。 研究者们提出了一种新型的信息融合方法，即通过整合MGRS的多粒度概念和证据理论的融合规则，试图找到一个平衡点，既能充分考虑不确定性，又能在处理复杂问题时保持一定的精确度。这种方法可能包括设计新的融合函数，或者调整现有规则以适应不同粒度和信息类型的特性。 文章历史显示，该研究在2014年4月1日首次接收，经过修订后于2015年2月20日再次提交，并在同年3月22日被接受，最终于4月3日在线发表。关键词涉及到了多粒度计算、粗糙集理论、证据理论、Dempster's组合规则以及信息融合等核心概念。 总结来说，这篇文章探讨了如何通过结合多粒度粗糙集的理论优势和证据理论的稳健性，来开发出更适应实际问题的信息融合策略。这种方法有望提高决策的可靠性和鲁棒性，尤其在处理不确定性和多源信息时，具有重要的理论价值和实践意义。