粒度度量及评价

3）基于商空间的粒度计算模型 代表：清华张钹院士 基本内容：研究各商空间之间的关系、合成、综合、分解和推理. 当面对一个复杂问题时 ,常先将问题化成在一个较粗粒度商空间对应的问题进行初步分析 ,若得出该 问题在粗粒度空间中是无解 ,则由 “ 保假原理”,立即得原问题是无解的. 优点：以很少的计算量得出所要的结果 ,降低求解复杂性. 缺点：缺少实现粒度与粒度之间、粒度与粒度世界之间、粒度世界与粒度世界之间转换的手段和 技术方法.
Intra:集合间不确定性 2. Pawlak 于 1982 年提出了粗糙集理论，由于粗糙集理论具有很强的定性分析能力 ,能够有效地表达不 确定的或不精确的知识 ,善于从数据中获取知识 ,并能利用不确定、不完整的经验知识进行推理等 ,因此在 知识获取、机器学习、规则生成、决策分析、智能控制等领域获得了广泛应用 ,特别是在数据挖掘领域 , 获得了巨大成功 ,业已成为粒度计算研究领域的主要方向之一.
+
模糊粒度化
粗糙集 知识评价方法
不确定性度量方法
需解决问题： 1.算法融合问题，处理复杂、模糊和不确定性知识的粒度 计算； 2.存在的模糊度随知识粒度减小可能增加的可能； 3.粒度约减等。 1.评价指标确定；权重计算；评价的粒度计算模型 代表：Zadeh 基本内容： 狭义范围：指利用通常意义下的数学概念和运算 ,诸如 ,加、减、乘、除等构造的带有不确定或模糊值的 词计算的数学体系. 它借助模糊逻辑概念和经典的群、环、域代数结构 ,构造出以词为定义域的类似结构. 广义范围：指用词进行推理、用词构建原型系统和用词编程. 优点：最贴近人类的思维形式来求解问题 ；包含信息丰富，对复杂的系统的信息处理有着广阔的应用前景. 缺点：计算复杂，对权重确定主观性强；当指标集偏大时，权系数偏小，容易出现超模糊现象--》层次法 2）基于粗糙集理论的粒度计算模型 代表：Pawlak 基本内容：强调分类能力；一个对象是否隶属于某一集合 (概念) ,不是该元素的客观性质 ,而是取决于我们对 它的了解程度. 优点：处理不精确、不一致、不完整等各种不完备的信息；无需先验知识，易用性；与处理其他不确定性问 题的理论具有很强互补性； 缺点：知识表示依赖于论域上的关系 ; 缺少有效处理现实问题的代数运算体系；缺乏基本粒度的语义解释 ； 缺乏描述粒度之间结构信息的方法等。
一、定义： 粒度(granularity)：指的是信息单元的相对大小或粗糙程度，即数据仓库的数据单位中保存数据的细化或 综合程度的级别。细化程度越高，粒度级就越小；相反，细化程度越低，粒度级就越大。
知识粒度：是对象的集合,这些对象由于它们的相似性、功能相近性、不可分辨性而被聚合在一起. 粒度是计算机领域中粒度指系统内存扩展增量的最小值．
提出基于粒度分析的不确定性度量方法，研究设计问题相关的可测度的知识评价方法，为不确定性信息环 境下设计中对知识的选择和推理提供依据。 Inter: 内部不确定性
1. Zadeh 在 1996 年提出 “ 词计算理论”,标志着模糊粒度化理论的诞生. 其旨在解决利用自然语言 ,进行 模糊推理和判断 ,以实现模糊智能控制.
粒度计算的基本问题包括： 如何构建信息粒度。（处理粒度的形成、粗细、表示和语义解释） 如何利用粒度去计算。（处理怎样利用粒度去求解问题） 知识粒度内容：知识粒度的形成、表示、粗细、语义解释 ;知识粒子的大小 ;知识粒度粗细与求解有效度的 关系 ;信息粒度的运算法则 ;信息粒度之间及其与外部环境的关系。