On Precision and Incidence about Uncertainty Knowledge Representation Based on Rough Sets
基于粗集的不确定性知识表示的精确性和关联性的研究

1 引言不确定性知识的表示和处理是人工智能研究中一项重要的带有基础性的工作。人们对常见的不确定现象进行了分析总结,针对各种不确定现象的特点提出了一些相应的处理方法,如DS证据理论、模糊集方法、主观Bayesian方法等,然而这一切都没有涉及不确定性的本质,因而在处理起来往往显得有点力不从心的感觉。人们一般认为不确定性可以理解为缺少足够的信息作出判断,那么从本质上怎样认识这种“缺少”呢?显然,上面提到的方法都没能在这点上取得突破.1982年,波兰科学家Z.Pawlak提出的粗集理论为揭示不确定性的本质提供了新的思路,按照粗集的观点,某个知识系统是人们按照一系列相应的特征对论域的划分,这种划分使得知识系统呈现出颗粒性,由于知识的颗粒性,使得人们在表达知识时就可能出现因颗粒太大而导致不能精确完整地表达某一知识的情形出现,这就是我们所看到的“缺少足够的信息”的原因所在。