[发明专利]基于粗糙集的多定性概率网整合方法

权利要求书

1.一种基于粗糙集的多定性概率网整合方法，其特征是，包括下列步骤：

(1)计算每一个QPN中所有边的依赖度，通过每一个QPN所对应的少量数据，计算QPN中的每条边之间的概率下近似RβX，通过下面的公式计算每一条边的POS信息.设β＝0.85

RβX＝{x∈U|P(X/[x]R)≥β}

POSAB＝∪X∈U/BAβX

则B对A的依赖度为w＝|POSAB|/|U|，记作A⇒wB;]]>

(2)整合多个QPN信息，获取整合后的QPN，对QPN的整合涉及到边的整合，和定性影响以及符号的整合，整体的方法是，首先两个QPN进行整合，然后和第三个QPN进行整合，以此类推，将所有的QPN进行整合；

(3)消除整合后QPN中的环路信息，得到最终IQPN，消除环路的方式是，综合专家信息和历史数据信息，消除环路中权重最小的边，环路中的某条边的权重计算公式为边数目乘以依赖度，其中边数代表了QPN整合过程中有多少专家给定的QPN中存在这条边，依赖度为通过在整合过程中计算所有的QPN中边的依赖度得到的依赖度信息，得到最终的IQPN。

2.根据权利要求1所述的一种基于粗糙集的多定性概率网整合方法，其特征是，所述整合两个QPN信息是：

边的信息整合，如果第二个QPN中有此边，而第一个QPN中，两个节点间没有边，则添加边，并记边数为1，否则将边数加1；

边的符号和定向影响整合，由于不同专家给定的边的影响有可能不同，如正负影响不同，影响程度不同等，因此通过以下信息进行边的信息整合：

设δ表示边的符号信息，w表示边之间的依赖度，即第一步计算出的AB之间的依赖度，则符号和定性影响计算如下。

Sδ[w](A，C)＝Sδ[w1](A，C)∨Sδ[w2](A，C)(0＜w1，w2≤1)

其中δ和w的定义如下。

Ifδ1＝δ2 then

δ＝δ1＝δ2 and w＝w1+w2-w1*w2

Ifδ1≠δ2 and w1＞w2 then

δ＝δ1 and w＝w1-w2+w1*w2

Ifδ1≠δ2 and w2＞w1 then

δ＝δ2 and w＝w2-w1+w1*

Ifδ1≠δ2 and w2＝w1 then

δ=δ1⊕δ2]]>and w＝w1＝w2

通过以上公式，就可以计算出整合后边的符号和依赖度。