粗糙集(Rough set) 理论是1982年由波兰学者Z.Pawlak  针对G..Frege的边界线区域思想提出的处理含糊和不确定性问题的新型数学工具.  其主要思想是利用已知的知识库，将知识理解为对数据的划分，每一被划分的集合称为概念，将不确定或不精确的知识用已知的知识库中的知识来刻画. 该理论是建立在分类机制基础上的，它将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分.
    粗糙集理论的特点在于它恰好反映了人们用粗糙集方法处理不分明问题的常规性，即以不完全信息或知识去处理一些不分明现象的能力，或依据观察、度量到的某些不精确的结果而进行分类数据的能力 .  其与其他处理不确定和不精确问题理论的最显著的区别是它无需提供问题所需处理的数据集合之外的任何先验信息，所以对问题的不确定性的描述或处理比较客观.

    20 世纪 80 年代，许多波兰学者对粗糙集理论及其应用进行了坚持不懈的深入研究，其中对粗糙集理论的数学性质与逻辑系统进生了广泛的分析. 当时大多数研究成果发表在“Bulletin of The Polish cademic of Science: Mathematics” 或“Bulletin of The Polish Academic of Science: Technical Science” 上. 同时，他们也开发了一些应用系统. 最初的关于粗糙集的研究大多是以波兰文发表的，因此当时并未引起国际上数学界和计算机界的重视，研究地域局限于东欧各国. 在 20 世纪 80 年代末和90 年代初由于其在知识发现等领域得到了成功的应用而越来越受到国际上的广泛关注. 特别是1991年Z.Pawlak的第一本关于粗糙集的专著和1992年R.Slowinski主编的关于粗糙集应用及其与相关方法比较研究的论文集的出版，推动了国际上对粗糙集理论与应用的深入研究. 1992年在波兰Kiekrz召开了第1届国际粗糙集讨论会，这次会议着重讨论了集合近似定义的基本思想及其应用，其中粗糙集环境下机器学习的基础研究是这次会议的四个专题之一. 这次会议选出 15 篇论文刊登在“Foundation of Computing and Decision Sciences”1993年第18 卷上.  从此每年召开一次以粗糙集理论为主题的国际研讨会. 1993 在加拿大Banff 召开了第 2 届国际粗糙集与知识发现（RSD’93）研讨会，这次会议极大地推动了国际上对粗糙集理论与应用的研究，其主题是粗糙集、模糊集与知识发现. 一些 KDD 领域的著名学者参加了这次会议，并且介绍了许多基于扩展的粗糙集理论的知识发现方法与系统. 特别值得一提的是在 1995 年召开的第 4 届模糊理论与技术国际研讨会（Fuzzy Theory & Technology’95）上，针对粗糙集与模糊集合的基本观点与相互关系展开了激烈的讨论，较大地促进了粗糙集的研究. 1996 年底在日本东京召开了第5 届国际粗糙集研讨会，这是第一次在亚洲地区召开的范围广泛的粗糙集研讨会. 1998 年 6月在波兰华沙召开了“第 1 届粗糙集和计算的当前趋势”学术会议. 1999 年 11 月在日本召开了“第 7 届粗糙集、模糊集、数据挖掘和粒度一软计算的国际学术研讨会”(RSFDGRC’99),阐述了当前粗糙集、模糊集的研究现状和发展趋势，指出将着重在软计算、数据库、AI和近似推理等理论和应用方面发展. 2000年 10 月在加拿大又召开了“第 2 届粗糙集和计算的当前趋势”学术会议. 2001 年在日本召开了“粗糙集理论和粒度计算国际研讨会”. 2002 年在美国召开了“第3 届粗糙集和计算的当前趋势”学术会议. 目前，在许多关于人工智能、模糊理论、信息管理与知
识发现等国际学术会议上经常可以看到许多涉及粗糙集的论文. 

    中国学者也积极投身于粗糙集理论的研究. 2001年5月在重庆召开了“第1届中国Rough集与软计算学术研讨会”，邀请了创始人Z. Pawlak教授做大会报告. 随后每年的研讨会在规模和质量上均呈良好的增长趋势. 2002年10月在苏州召开了“第2届中国Rough集与软计算学术研讨会”. 2003年10月在重庆召开了“第3届
中国Rough集与软计算学术研讨会”，并同时举办“第9届粗糙集、模糊集、数据挖掘和粒度-软计算的国际会议”. 同时，在2003年还成立了中国人工智能学会粗糙集与软计算专业委员会，粗糙集的研究队伍也更加壮大，研究成果在深度和广度上有了更大的发展. 2004年10月在舟山召开了“第四届中国Rough集与软计算学术研讨会”. 在国内的计算机核心刊物和会议上，也不时出现涉及粗糙集的论文. 此外，也有不少有关粗糙集的专著。

    经过近些年的研究和发展，粗糙集已经从理论上日趋完善，且已经被证实在实践中是非常有用的，其在信息系统分析、人工智能及应用、决策支持系统、知识与数据发现、模式识别与分类、故障检测、过程控制等诸多领域都取得了成功的应用. 由于粗糙集理论对不确定性的描述是相对客观的,且在无需先验信息的情况下提供了严格地处理数据分类问题的数学方法，能在保留关键信息的前提下对数据进行兼并求得知识的最小表达，揭示出简单的模式，能从经验数据中获取已证实的规则知识，因此在处理不确定性问题上相对于其它理论工具具有不可替代的优越性，更成为数据挖掘的一个重要工具. 

转自：http://lsunblao.blog.sohu.com/78062988.html

转载本文请联系原作者获取授权，同时请注明本文来自邓维斌科学网博客。
链接地址：https://blog.sciencenet.cn/blog-322184-262361.html


下一篇：网格计算