覆盖粗糙集模型的性质

讨论基于覆盖理论的粗糙集模型的性质,给出了粗糙集生成的拓扑结构,证明了覆盖粗糙集模型与自反、传递关系下的广义粗糙集模型是等价的,并进而得到了覆盖粗糙集模型的公理化描述.     

形式背景下粗糙集近似算子的公理化方法

给出了在形式概念分析中粗糙集近似算子的一种新的定义方式,并给出了它们的公理化刻画。同时也给出了作者Shao提出的另外一对形式概念分析中粗糙集近似算子的公理化刻画。公理化方法有助于理解近似算子的数学结构特征。     

基于模糊化邻域系统的模糊粗糙集模型

基于邻域系统的粗糙集模型是Pawlak粗糙集模型的重要推广形式.讨论基于模糊化邻域系统的模糊粗糙集模型，给出模型中模糊粗糙近似算子的构造方法并讨论算子的基本性质.另外，当模糊化邻域系统串行、自反、对称、一元和传递时刻画了相关近似算子的代数结构.     

基于拟序二元关系的粗糙集模型

目的建立一种基于拟序关系的推广的粗糙集模型。方法按照张文修等人在《粗糙集理论与方法》(科学出版社,2001.)中利用一般二元关系R推广Pawlak粗糙集模型的方法进行研究。结果讨论和建立在拟序关系R下的粗糙集模型,并研究了这种粗糙集模型的代数性质。结论给出了这种粗糙集模型成为Pawlak粗糙型模型的充要条件。     

模糊粗糙集的格结构

定义了模糊集合的上、下近似算子，讨论了其代数结构.证明了模糊粗糙集理论中全体可定义集合构成一个完全分配格，给出了生成这一完全分配格的元素的集合并讨论了其基本性质.     

直觉模糊粗糙集的公理化

直觉模糊粗糙集的公理系统是直觉模糊粗糙集理论与应用的基础,文章定义了直觉模糊集的2种运算,基于这些运算和直觉模糊粗糙集公理化模型,给出直觉模糊粗糙集新的公理系统;该系统用一条简洁的公理描述了直觉模糊粗糙集,为直觉模糊粗糙集理论研究的深入和完善提供了有益的帮助。     

粗糙集代数与R_0-代数

在粗糙集的代数方法研究中,一个重要的方面是从粗糙集的偶序对(<下近似集,上近似集>)表示入手,通过定义偶序对的基本运算,从而构造出相应的粗代数并发现R0-代数能够抽象刻画偶序对的性质。讨论了粗糙集代数与R0-代数的关系以及由粗糙集代数构造R0-代数的方法,借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子和余运算之后,粗糙集代数就成为R0-代数。     

模糊近似空间中模糊粗糙集的新定义

研究了模糊近似空间上的模糊粗糙集．给出了模糊粗糙集的又一定义．讨论了该定义下模糊粗糙集所满足的性质，从理论上说明了该定义的合理性，同时还论证了该定义下模糊粗糙集的近似精度．     

基于参数k的程度粗糙集模型研究

从经典粗糙集出发,定义了程度粗糙集和程度边界算子,研究了程度粗糙集模型异于经典粗糙集模型的性质,在程度粗糙集中,利用程度边界算子修正了包含关系为相等关系的性质,并给出了这些结论严格的证明,进一步补充和完善了粗糙集理论.     

区间直觉模糊粗糙集的公理化

基于单个以及两个论域之间的区间直觉模糊关系,用构造性方法建立两种区间直觉模糊粗糙集模型,并讨论一些相关性质.在此基础上,用公理化方法给出区间直觉模糊粗糙近似算子的公理化描述.     

粗糙模糊集的一种新的构造方法

通过表现定理从新的角度建立了模糊粗糙集的近似算子，并指出可以用类似的方式建立模糊粗糙集的近似算子．     

程度粗糙集

从广义程度粗糙集出发,定义了程度粗糙集,深入讨论了其内部构造,得出了程度粗糙集简化运算的重要方法.对比经典粗糙集性质,研究了程度粗糙集3个方面的性质:集合与其程度近似集的关系、程度近似算子的幂作用、程度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.     

基于Galois联络的粗糙集公理化方法

Galois联络与粗糙集是两个不同的研究分支,本文基于Galois联络,给出经典粗糙集的公理化刻画.提出了两组与Galois联络密切相关的公理GC与GC',用这两组公理刻画了经典粗糙近似算子.证明了满足公理GC或GC'的论域幂集上的一元算子总对应于某一经典二元关系,使得由二元关系诱导的粗糙近似算子就是该一元算子.     

广义区间值模糊粗糙集模型及其公理化特性

把粗糙集理论和区间值模糊集理论结合起来, 利用粗糙集理论的构造性方法, 提出了一种广义区间值模糊粗糙集理论模型。首先, 利用区间值模糊剩余蕴含算子和它的对偶算子, 定义了一种广义上下区间值模糊粗糙集近似算子。然后, 利用该蕴含算子的性质, 讨论了该模型上、下近似算子一系列有趣的性质。 在公理化方法中, 通过定义一对抽象的区间值模糊近似算子, 刻画了广义区间值模糊粗糙集模型的公理化特性。     

基于相似度的模糊粗糙近似算子

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具.相似度是用于比较2个相似的模糊粗糙集所包含信息的精确性大小的,是模糊集理论和粗糙集理论的热点问题之一.文章利用一种改进的相似度定义了模糊粗糙近似算子,重新定义了粗糙集的一些概念,给出并证明了模糊粗糙近似算子的几个性质.     

基于随机集的粗糙集模型(I)

为了处理人工智能中不精确和不确定的数据和知识 ,介绍了一个新的领域———粗糙集的基本概念及其有关进展 ,提出了基于随机集的研究框架 ,进一步用随机集去描述粗糙近似算子 ,并讨论了随机集、粗糙集和信任函数之间的关系     

对粗糙集两种新算子的注记

在粗糙集中，定义了集合并的下增近似和交的上减近似2种算子，它们与确定增量算子和不确定减量算子是等价的．这2种算子简单、直观，成功地解决了粗集运算中将包含关系转化为相等关系的问题，同时，利用它们可以、简化有关算子性质的证明．     

群中模糊集的上近似集合与下近似集合

粗糙集概念是由Pawlak于1982年提出的,现已从许多方面作了推广,粗糙集与模糊集的结合近年来越来越受到国际学术界的关注,现在研究群中模糊集的上,下近似,并且讨论了近似算子的乘积结构,定义了粗糙模糊子群的概念,证明了模糊子群一定是粗糙模糊子群,在同态映射下,子群的像的上下近似也一定是它的上,下近似的同态像。     

粗糙近似算子与可能性测度

Pawkak粗糙集理论在不精确数据分析,不完全信息系统处理,海洋数据挖掘及神经网络方面都得到了广泛应用,介绍了Pawlai粗糙集的基本概念,在定义了基于随机集的粗糙近似算子的基础上讨论了随机集,粗糙近似算子与可能性测度的关系。