Generalized binary discernibility matrix for attribute reduction in incomplete information systems

برای استخراج و بیان دانش پنهان در سیستم های اطلاعاتی، ماتریس قابل تشخیص و پسوند آن در بسیاری از کاربردهای زندگی واقعی معرفی و به طور موفقیت آمیزی مورد استفاده قرار گرفت. ماتریس قابل شناسایی باینری، به عنوان یک رویکرد نمایشی، دارای ویژگی های جالب بسیاری است و به سرعت در جستجوی دانش بصری و آسان برای درک آن است. با این حال، در حال حاضر، ماتریس تشخیص دودویی به طور عمده در سیستم اطلاعات کامل است. یک موضوع چالش برانگیز است که چگونه با استفاده از ماتریس قابل تشخیص باینری در سیستم اطلاعات ناقص، به کاهش ویژگی می رسیم. یک فرم ماتریس قابل تشخیص دوتایی تعمیم یافته برای تعدادی از مدل های ممتد مرتبه تقریبی ارائه شده که با سیستم های اطلاعات ناقص برخورد می کنند، توسعه یافته است. برخی از خصوصیات و معیارهای مفید برای قضاوت در خصوص ویژگی هسته و ویژگی کاهش نسبی معرفی شده است. پس از آن، یک الگوریتم جدید ارائه شده است که از ویژگی هسته و ویژگی نسبی کاهش بر اساس ماتریس قابل تشخیص باینری تعمیم یافته پشتیبانی می کند. این الگوریتم نه تنها مناسب برای سیستم های اطلاعات سازگار است، بلکه سیستم های اطلاعات متناقض است. امکان سنجی روش های پیشنهادی با نمونه های کار شده و تجزیه و تحلیل تجربی نشان داده شده است.