view in publisher's site

Object similarity measures and Pawlak’s indiscernibility on decision tables

In this paper we investigate the mathematical foundations of the notion of similarity between objects in relation to the granulations on a decision table D. First of all, we compare the endogenous granulation induced by Pawlak’s indiscernibility with the exogenous granulation induced by a similarity measure ζ defined on pairs of objects and assuming values in the unit interval. To this aim, the starting point of our analysis is the introduction of the notion of refinement of the granulation induced by an attribute subset A through the object similarity measure ζ. More in detail, we say that ζ refines the granulation induced by A if ζ assumes value 1 on a pair of objects if and only if they are A-indiscernible. Next, starting from two given families ρ and ν of numerical maps defined on pairs of admissible values of D, we determine a broad class of potential similarity measures on the objects of D refining, sometimes under some specific additional hypotheses, the A-granulation on the object set of D. With regard to a such class of similarity measures, we establish several mathematical properties. Finally, we focus our attention to the analysis of specific pairs of numerical maps ρ and ν that have been classically studied in literature and, for each of them, we exhibit the main properties with respect to the aforementioned refinement of granulation.

معیارهای شباهت شی و عدم تشخیص پاولک بر روی جداول تصمیم‌گیری

در این مقاله ما مبانی ریاضی مفهوم شباهت بین اشیا را در ارتباط با محاسبات روی جدول تصمیم‌گیری D بررسی می‌کنیم. اول از همه، ما گرانولاسیون درونزاد ایجاد شده توسط عدم توانایی پولاک را با گرانولاسیون برونزاد ایجاد شده توسط یک مقیاس شباهت، که بر روی جفت اشیا تعریف شده‌است و فرض مقادیر در فاصله واحد، مقایسه می‌کنیم. برای این منظور، نقطه شروع تحلیل ما معرفی مفهوم اصلاح گرانولاسیون ایجاد شده توسط یک زیرمجموعه ویژگی A از طریق معیار تشابه ژیس است. به طور دقیق‌تر، می‌گوییم که در صورت فرض مقدار ۱ بر روی یک جفت از اشیا در صورتی که و تنها در صورتی که قابل تمیز نباشند، شدت دانه‌ای که توسط A ایجاد می‌شود را اصلاح می‌کند. سپس، با شروع از دو خانواده داده‌شده ρ و v نقشه‌های عددی تعریف‌شده بر روی جفت‌های مقادیر مجاز D، یک کلاس وسیع از معیارهای تشابه بالقوه را بر روی اهداف پالایش D، گاهی اوقات تحت برخی فرضیه‌های اضافی خاص، یک - گرانولاسیون در مجموعه هدف D تعیین می‌کنیم. با توجه به این دسته از معیارهای شباهت، ما چندین ویژگی ریاضی را ایجاد می‌کنیم. در نهایت، توجه خود را به تحلیل جفت‌های خاص نقشه‌های عددی ρ و v متمرکز می‌کنیم که به طور کلاسیک در مقالات مورد مطالعه قرار گرفته‌اند، و برای هر یک از آن‌ها، ویژگی‌های اصلی را با توجه به اصلاح مذکور از گرانولاسیون نشان می‌دهیم.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Control and Systems Engineering
  • ترجمه مقاله Control and Systems Engineering
  • مقاله مهندسی کنترل و سیستم‌ها
  • ترجمه مقاله مهندسی کنترل و سیستم‌ها
  • مقاله Theoretical Computer Science
  • ترجمه مقاله Theoretical Computer Science
  • مقاله علوم کامپیوتر نظری
  • ترجمه مقاله علوم کامپیوتر نظری
  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Information Systems and Management
  • ترجمه مقاله Information Systems and Management
  • مقاله سیستم‌های اطلاعاتی و مدیریت
  • ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.