智能决策支持系统中的知识表示及基于粗集的知识推理

核
　　
　　知识表示可通过知识表达系统来完成，知识表达系统的基本成分是被研究对象的集合，关于这些对象的知识是通过指定对象的属性和它们的属性值来描述的。
　　
　　一个数据表知识表达系统S可表示为S=<U,C,D,V,F>
　　
　　其中：U表示论域；
　　
　　C∪D=A是属性集合，子集C和D分别称为条件属性和结果(决策)属性；
　　
　　
　　
　　V=Vα1×Vα2×Vα3×…Vαn表示属性A的值域，Vα表示原子属性α的值域；
　　
　　F：U×A→V表示从V×A到V的信息映射，定义Fα：U→Vα。
　　
　　设属性集合
　　
　　定义映射FB：U→VB表示关于属性B的属性值。
　　
　　论域U关于条件属性C上的R的商集，记为U/RC；
　　
　　论域U关于决策属性D上的R的商集，记为U/RD；
　　
　　定义U/RB中的等价类为事件，则U/RC为条件事件，U/RD为决策事件。
　　
　　则决策事件关于条件属性的上近似为
　　
　　则决策事件关于条件属性的下近似为
　　
　　设有两集合族G、R，其中r是R中的某一等价关系，如pos（R-{r}）（G）=posR（G），则称r是关于G可省略的，否则为G不可省略的。
　　
　　如R中的任意元素是不可省略的，称R是独立的。设，H是独立的，若posH（G）=posR（G），则称H为R的G简化（Reduction），从定义可知，G关于H和R的下近似是相同的，即维持了与R相同的分类能力。R中所有不可省略关系的交集，称为R的核（Core），记为core（R），即core（R）＝∩red（R）．核中的属性是影响分类的重要属性。
　　
　　
　　
　　事件依赖性的度量
　　
　　Ci为U/RC中的条件事件，Dj为U/RD中决策事件，设决策事件依赖于条件事件的程度为映射CFij：Ci→Dj，且CFij=card（Ci∩Dj）/card（Ci）
　　
　　如条件事件Cj属于或包含于决策事件Dj的下近似C_（Dj）时，CFij=1；
　　
　　如条件事件Cj属于或包含于时，CFij=0。
　　
　　
　　
　　基于粗集的知识推理
　　
　　根据前面的介绍，知识表达系统将论域描述为一个二维表格，每一行描述一个对象，每一列描述一个属性，属性分别为条件属性和决策属性。知识推理的过程，首先要进行条件属性的化间，消去重复行，然后对每一决策规则进行冗余属性的简化。一般情况下，一个知识表达系统的简化不止一种，这些简化都维持了与原有条件属性相同的分类能力，因此要得到使用意义上的最小决策规则就要合理地选择有效属性来正确或近似地表征研究的论域。
　　
　　普通情况下，决策者会拥有对各条件对象的属性权重的先验知识，权重用来衡量属性的相对重要性。在不同的决策环境下，相同的属性对决策输出会有不同的影响，即权重对环境敏感。粗集理论中的属性依赖度即表达了在当前的数据环境下属性对决策规则的影响，但它不能反映决策者的先验知识，因此，将二者结合作为选择有效属性的准则不失为一种合理的解决方案。
　　
　　具体实现步骤如下：
　　
　　Step1：提出论域中各条件属性和决策属性组成二维数据视图即决策规则表；
　　 《智能决策支持系统中的知识表示及基于粗集的知识推理(第2页)》