知识系统中的全粒度粗糙集及概念漂移相关研究分析

　　概念漂移探测是数据流挖掘的一个硏究重点，不确定性分析是粗糙集理论的硏究核心之一。大数据数据流中存在不确定变化和概念漂移现象，但是，除F粗糙集外，几乎所有的粗糙集模型都是静态模型或半动态模型专注于各种不确定性研究，难以处理不确定性变化，也难以探测概念漂移。结合量子计算、数据流、概念漂移和粗糙集、F-粗糙集的基本观点，以上、下近似为工具，定义了知识系统中的全粒度粗糙集和上、下近似概念漂移，上、下近似概念耦合等概念，探讨了全粒度粗糙集的性质，分析了知识系统内概念的全局变化。全粒度粗糙集继承了 Pawlak粗糙集和F-粗糙集的基本思想，以上、下近似簇为工具表示了概念在知识系统内的各种可能变化。用嵌套哈斯图表示了概念不同情况下的同一性和差异性：同一层内的表示没有发生概念漂移，不同层内的表示发生了概念漂移。以正区域为工具，定义了决策表中的全粒度正区域和概念漂移、概念耦合等概念，探究了全粒度正区域的性质，分析了决策表内整体概念的全局变化。全粒度正区域表示了决策表中各种可能情况下的正区域，用嵌套哈斯图表示了正区域簇的同一性和差异性：同一层内没有发生相对于正区域的概念漂移，不同层内发生了相对于正区域的概念漂移。在全粒度粗糙集意义下，定义了全粒度绝对狝简、全粒度值约简、全粒度 Pawlak约简等属性约简，并探讨其性质。与大部分的属性约简不同（仅仅与并行约简和多粒度约简类似），全粒度属性约简要求概念的所有可能表示不发生概念漂移。进一步探讨了属性约简的优缺点，属约简使得概念的表示变得单一，冗余属性的存在增加了概念表示的丰富性、多样性。在认识论方面，以粗糙集和粒让算为工具分析了人类认识世界的局部性与全局性，对人类认识世界的方式进行了进一步探讨。全粒度粗糙集在一定意义亦能够表示人类认识的复杂性、不确定性、多样性、层次性和动态性，在量子计算的帮助下能够从一个粒度转跳到另一个粒度并且毫无困难。全粒度粗糙集的研究及其中的概念漂移探测为各种条件下的概念漂移探测和人类智能的interwetten与威廉的赔率体系 提供了有益的启发。