技术摘要：
本发明公开的属于动态知识更新技术领域，具体为变精度粗糙集模型中基于三支决策的动态知识更新方法,该更新方法如下：步骤一：设定阀值，选择粗糙集中数据精度；步骤二：根据设定精度阀值，选择粗糙集中数据关系，并进行数据的区域判断；步骤三：判断数据完成后产生粗糙  全部
背景技术：
三支决策是一种基于符合人类认知的决策模式，它认为：人们在实际决策过程中， 对于具有充分把握接受或拒绝的事物能够立即作出快速的判断；对于哪些不能立即作出决 策的事物，人们往往会推迟对事件的判断，即：延迟决策。造成延迟决策的原因很多，比如： 所掌握的信息不够充分、对风险的评估不够全面、对事件的认知不够彻底等。当人们对信 息、风险、认知的掌握程度达到一定的水平，会作出接受或拒绝的最终判断，从这个角度说， 三支决策是最终实现二支决策的一个中间步骤。 三支决策是概率粗糙集语义的自然扩展，它的提出为粗糙集理论和决策理论的融 合，以及粗糙集理论在实际决策问题中的应用建立起一座桥梁，也就是说，三支决策是基于 粗糙集的研究，但这个领域的学者们希望三支决策今后的研究不应完全局限于粗糙集，正 致力于同其他学科和领域紧密联合，三支决策的形式化描述： 设U＝{x1,...,xn}是有限、非空实体(对象)集，C是有限条件集。 定义：三支决策是基于条件集C，通过映射f将实体集U划分为三个两两互不相交的 R-域、L-域和-M域的过程(一般称为：正域、负域和边界域)： 三支决策方法的重要元素： 1 .实体的评价函数(决策函数)：它的值称为决策状态值，其大小反应了实体的好 坏程度 【目前研究人员一般选择基于全序关系1集合的评价函数，比较流行的是以  ([0 , 1])为代表的全序关系集合】 2.阈值 有了决策状态值和阈值就能将所有实体划分到三个域中，即正域、负域和边界域。 基于这三个域可以构造相应的三支决策规则：对于落在正域、负域和边界域的实体，分别使 用接受、拒绝和不承诺规则。 现有的变精度粗糙集模型中的动态知识更新方法大多采用的更新方法为二支决 策，基于此方法容易造成粗糙集中不确定因素被完全的肯定或者否定，并加入到相对应的 区域中，造成后续的动态知识更新产生数据分歧，根据相似的数据集，会使粗糙集模型中确 定的因素与之前的不确定因素进行相似化处理，造成知识更新产生模糊集，影响后续的更 新。
技术实现要素：
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实 3 CN 111598244 A 说　明　书 2/4 页 施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使 本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范 围。 鉴于上述和/或现有变精度粗糙及模型中的动态知识更新方法中存在的问题，提 出了本发明。 因此，本发明的目的是提供变精度粗糙集模型中基于三支决策的动态知识更新方 法，能够防止边界域中数据被正域或者负域直接的进行判定，造成知识更新产生模糊集的 情况发生。 为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案： 变精度粗糙集模型中基于三支决策的动态知识更新方法，该更新方法如下： 步骤一：设定阀值，选择粗糙集中数据精度； 步骤二：根据设定精度阀值，选择粗糙集中数据关系，并进行数据的区域判断； 步骤三：判断数据完成后产生粗糙集中的模糊集数据，对模糊集数据设定不承诺 规则； 步骤四：选定近似空间，将产生的模糊集数据代入，再次进行数据的区域值判断； 步骤五：对判断后产生的数据进行区域内数据对比，将产生的重复信息选择性丢 弃，得到更新后的数据。 作为本发明所述的变精度粗糙集模型中基于三支决策的动态知识更新方法的一 种优选方案，其中：所述步骤一中阀值的设定由粗糙集中数据精度决定，所述粗糙集中数据 精度的设定规则由错误分类率决定，如下： 定义 的β精度γ(R,β,X)为： 若β1≦β2，则γ(R,β1,X)≦γ(R,β2,X)，即随着错误率β的增加，粗糙集的精度将增 加。 作为本发明所述的变精度粗糙集模型中基于三支决策的动态知识更新方法的一 种优选方案，其中：所述步骤二数据关系由数据本身的特性决定，所述数据特性包括数据的 区域值、数据的相似性和数据的更新时间，所述步骤二中数据的区域判断由数据关系决定， 所述步骤二中的判断区域由正域、负域和边界域组成。 作为本发明所述的变精度粗糙集模型中基于三支决策的动态知识更新方法的一 种优选方案，其中：所述步骤三中模糊集数据即为边界域中数据，所述不承诺规则基于边界 域定义设定，所述边界域具体表示为： 其中A为粗糙集，POS为正域，NEG为负域。 作为本发明所述的变精度粗糙集模型中基于三支决策的动态知识更新方法的一 种优选方案，其中：所述步骤四中近似空间的选定基于步骤而中的数据关系决定，所述步骤 4 CN 111598244 A 说　明　书 3/4 页 四中模糊集数据代入方法采用数据抽取法，所述步骤四中的区域值判断同步骤二。 作为本发明所述的变精度粗糙集模型中基于三支决策的动态知识更新方法的一 种优选方案，其中：所述步骤五中区域数据对比采用唯一值对比法。 与现有技术相比：现有的变精度粗糙集模型中的动态知识更新方法大多采用的更 新方法为二支决策，基于此方法容易造成粗糙集中不确定因素被完全的肯定或者否定，并 加入到相对应的区域中，造成后续的动态知识更新产生数据分歧，根据相似的数据集，会使 粗糙集模型中确定的因素与之前的不确定因素进行相似化处理，造成知识更新产生模糊 集，影响后续的更新，本申请文件中，通过三支决策，有效的减少了二支决策造成的数据更 新漏洞，减少了动态知识更新的重复数据，方便后续的更新。 附图说明 为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式 对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对 于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得 其它的附图。其中： 图1为本发明变精度粗糙集模型中基于三支决策的动态知识更新方法的系统流程 结构示意图。