Roughness and entropy measures of a soft set

技术摘要：软集的粗糙度与熵度量

问题陈述
本文探讨了结合软集理论与粗糙集理论的现有混合模型所存在的局限性。虽然粗糙集理论（Pawlak）通过近似空间和不可分辨关系有效地处理不确定性，但在涉及重叠对象的场景（如模式识别和图像处理）中却面临困难。具体而言，经典粗糙集对下近似和上近似的定义无法清晰区分两个重叠对象的边界。此外，先前将软集与粗糙集进行整合的尝试（例如由 Feng 等人、Ali、Shabir 等人提出）往往偏离了 Molodtsov 为软集理论确立的基础数学和哲学原则。这些偏离包括错误地使用软子集，以及采用了与 Molodtsov 原始定义不一致的运算，特别是关于属性集的处理以及传统意义上“软子集”的不存在性。因此，目前缺乏一个严格的理论框架，能够在严格遵循 Molodtsov 公理的同时，有效处理重叠近似，从而定义软集的粗糙度和熵度量。

方法论
作者通过严格遵循 Molodtsov 的基础原则，开发了一个“软粗糙集”的新框架。方法论包括：

1. 重新定义近似：作者不直接使用全集的子集，而是基于属性与近似子集的关联来定义下软近似和上软近似。

   • 下软近似 ($L(S, A)$)：定义为集合对 $(a_i, \cup B_j)$ 的集合，其中 $B_j$ 是包含在属性子集 $S(a_i)$ 内的等价类。
   • 上软近似 ($U(S, A)$)：定义为集合对 $(a_i, \cup C_k)$ 的集合，其中 $C_k$ 是与 $S(a_i)$ 具有非空交集的等价类。
   • 边界：定义为每个属性的上软近似与下软近似之差。

2. 粗糙度度量：引入了两种不同的粗糙度度量：

   • Pawlak 风格 ($\theta^P_R$)：基于下近似基数与上近似基数的比率，并针对所有属性的总和进行了调整。
   • 受 Yao 启发的 ($\theta^Y_R$)：一种新设计的度量，旨在满足一组特定的精度公理（包括针对精确集、空集的条件，以及关于粒度单调性的条件）。该度量结合了上近似和补集的上近似，以确保对象与其背景之间的对称性。

3. 熵度量：提出了六种熵度量，用于量化与软集相关的知识不完备性：

   • 三种对数度量（基于香农熵）：两种基于 Pawlak 粗糙度度量（涉及对象及其补集），一种基于受 Yao 启发的粗糙度度量。
   • 三种指数度量：两种基于 Pawlak 粗糙度，一种基于受 Yao 启发的粗糙度。
   • 对这些度量进行了最大值、连续性、对称性和凹性等性质的分析。

4. 理论分析：本文严格证明了关于内部和外部近似的性质、这些度量在不同等价关系（粒度）下的行为，以及所提出的度量与其补集之间的关系。

主要贡献

• 新颖的粗糙度框架：本文引入了一个软粗糙集概念，保留了 Molodtsov 的原始定义，具体避免了“软子集”的概念，并正确利用了内部/外部近似。这使得即使在对象重叠的情况下，也能明确定义下近似和上近似。
• 两种粗糙度度量：提出了一种 Pawlak 风格的度量和一种满足特定公理要求的新颖受 Yao 启发的度量，为评估软集中的精度提供了更稳健的方法。
• 六种熵度量：系统地定义并分析了六种熵度量（三种对数，三种指数），这些度量源自所提出的粗糙度度量。
• 公理验证：证明了所提出的受 Yao 启发的精度度量满足一组 Pawlak 风格度量所不具备的公理，特别是关于集合与其补集之间的对称性。
• 比较分析：详细的比较表明，所提出的框架解决了经典粗糙集理论无法处理的重叠区域问题，这一点通过理论示例和可视化表示得到了说明。

结果

• 理论性质：作者证明，如果一个软集在内部近似另一个软集，那么它们的下软近似和上软近似将保持这种关系。相反，对于外部近似，该关系对下近似成立，但不一定对上近似成立。
• 粒度影响：研究证实，随着全集的粒度变细（等价类变小），软集的精度增加，粗糙度降低。
• 熵的行为：
  • 对数熵度量被证明是凹的且连续的。
  • 指数熵度量表现出依赖于参数 $\beta$ 的特定单调行为。
  • 度量 Ent^1_P_e（基于 Pawlak，双变量）计算效率高，但在关于补集的公理一致性方面有所欠缺。
  • 度量 Ent^3_P_e（基于 Yao，单变量）被确定为在理论上更一致，适用于通用建模，特别是在同时分析对象和背景时。
• 处理重叠：所提出的定义通过将重叠区域（例如图像中的红色、蓝色和绿色区域）视为基于属性的不同近似，成功区分了重叠区域的边界，这是标准 Pawlak 近似无法实现的。

意义
本文声称其主要意义在于为分析软集中的不确定性提供了一个数学上可靠且哲学上一致的框架，具体解决了现有混合模型的局限性。通过严格保留 Molodtsov 的原则，所提出的框架提供了一种新颖的粗糙度表征方法，这与经典粗糙集理论截然不同。

作者强调，该框架对于涉及重叠对象的应用特别有价值，例如模式识别、图像处理和人工智能视觉。他们指出，能够明确定义重叠区域的下近似和上近似，使得该方法论成为粗糙集理论在复杂领域（如太空探索，例如分析系外行星表面）中的潜在互补工具。本文结论认为，虽然没有单一的熵度量是普遍最优的，但所提出的度量族为不确定性量化提供了一个灵活的工具体系，度量的选择取决于应用的具体需求以及对公理一致性与计算简便性的权衡。