Dynamic probabilistic rough sets with incomplete data

داده ها در برنامه های دنیای واقعی به طور معمول با زمان تغییر می کنند و اغلب ناقص هستند. برای رسیدگی به چالش پردازش چنین داده های پویا و ناقص، ما یک مدل از مجموعه های خشن احتمالات پویا با داده های ناقص پیشنهاد می کنیم. ما روشهای افزایشی برای برآورد احتمال شرطی و اصول حاضر برای به روز رسانی تقریبی احتمالات در هنگام اضافه کردن و حذف اشیا را معرفی کردیم. بر اساس استراتژی های به روز رسانی پیشنهادی، الگوریتم ها برای به روز رسانی دینامیکی تقریبی احتمالات با داده های ناقص طراحی شده اند. ما ارزیابی های تجربی از کارایی و کارایی الگوریتم های افزایشی پیشنهادی را برای ساختن تقریبی مجموعه ای از احتمال احتمالی از لحاظ اندازه داده ها و نسبت به روز رسانی با مقایسه با الگوریتم غیر افزایشی گزارش می کنیم. نتایج نشان می دهد که الگوریتم های جدید می توانند به طور موثر از دانش قبلا به دست آمده استفاده کنند که منجر به عملکرد قابل توجهی در بهبود الگوریتم غیر افزایشی می شود.