随机覆盖目标信息系统属性约简的证据理论研究

"这篇论文探讨了随机覆盖目标信息系统的属性约简问题，结合证据理论中的信任测度和似然测度，对协调和不协调的随机覆盖目标信息系统进行了研究。作者提出了新的概念，并通过实例验证了约简方法的有效性。" 在信息技术和数据处理领域，粗糙集理论是一个重要的分析工具，由Z.Pawlak在1982年提出，用于处理不确定性、不精确性和模糊信息。它提供了一种处理不完整数据的方法，弥补了模糊集、概率论和证据理论的局限。证据理论，又称为D-S证据理论，由Dempster和Shafer发展，主要用于处理认知不确定性问题，其核心是概率分配函数、信任函数和似然函数。 2003年，William Zhu和王飞跃扩展了粗糙集理论，引入了覆盖粗糙集的概念，使得属性约简成为可能。随后的研究者如吴伟志和米据生等深入研究了基于证据理论的属性约简问题，特别是在不完备信息系统的场景中。 本论文的核心贡献在于引入了“随机覆盖目标信息系统”的概念，这是针对那些条件属性无法形成等价关系，而形成覆盖的实际问题。论文将证据理论的两种关键度量——信任测度和似然测度——与覆盖粗糙集理论融合，分别解决了协调和不协调随机覆盖目标信息系统的属性约简问题。协调系统指的是系统中各个属性之间的关系较为一致，而不协调系统则表示存在不一致的关系。 属性约简在决策支持、数据挖掘和知识发现中具有重要价值，因为它可以帮助简化复杂的数据结构，提取关键特征，降低决策复杂性。通过信任测度和似然测度，可以量化属性的重要性，进而找出对决策影响最大的属性子集，这就是属性约简的过程。 论文中的方法不仅丰富了覆盖粗糙集理论，还与证据理论相结合，拓宽了不确定性信息处理的视野。通过实例验证，证明了这种方法在处理随机覆盖目标信息系统时的有效性，这为实际应用提供了理论基础。 这篇论文的研究对于理解和应用粗糙集理论和证据理论在处理不确定性和不精确信息方面具有重要意义，对于数据科学和人工智能领域的研究人员来说，是一个有价值的参考。