基于包含度的模糊粗糙近似算子

1965年,L.A．zadeh提出了模糊集理论,1982年,波兰数学家Z．pawlak提出了粗糙集理论,将二结合而形成模糊粗糙集及粗糙模糊集．利用包含度的概念定义上模糊粗糙近似算子,下模糊粗糙近似算子,边界．并讨论它的性质．     

普通二型模糊相似度与包含度及其关系

针对现有的二型模糊系统规则库精简方法不能有效地消除冗余模糊集合的问题,提出了新的普通二型模糊相似度与包含度.首先,基于2种模糊性测度的公理化定义,提出了计算公式;然后,讨论了普通二型模糊包含度的性质,并提出了2种测度的相互转换定理;最后,通过实例验证了2种新测度的性能,并将提出的普通二型模糊相似度用于高斯普通二型模糊集合的聚类分析,聚类结果由不同α-水平上的层次聚类树组成,可以合理地区分这些集合.     

基于包含度的粗糙集模型

提出了包含度近似空间的概念,得到了基于包含度的粗糙集模型,从而为知识获取提供了一个新的不确定性方法。     

一种基于弱模糊相似关系的广义粗糙集

粗糙集理论是建立在等价关系的基础上发展起来的,但等价关系性质的应用领域是有限的,等价关系不能对现实世界中的元素关系给出客观的描述.为此提出用模糊相似关系和弱模糊相似关系的概念来代替等价关系,同时引入了弱模糊相似关系的相似度概念和相似类概念,定义了基于弱模糊相似关系的广义粗糙集及标准的广义粗糙集上下近似;研究了两对上下近似算子的性质,讨论了3种粗糙隶属函数的性质并验证了它们的性质.     

基于粗糙集和包含度理论的决策规则提取方法

粗糙集理论是一种处理模糊和不确定知识的数学工具，正越来越被人们所重视．首先介绍了集值信息系统和粗糙集理论的相关知识，说明经典信息系统可以作为简单的集值信息系统处理。然后在集值信息系统中，以粗糙集理论为基础，引入包含度的概念，介绍包含度的几种生成方法，建立包含度的知识发现方法，最后通过具体的例子说明这种决策规则提取方法是有效的．     

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.     

模糊粗糙集的贴近度

基于模糊集理论中贴近度的定义及模糊粗糙集的有关性质 ,讨论了模糊粗糙集 (FR集 )的贴近度 ,进而给出了模糊粗糙集的距离贴近度、最小最大贴近度、最小平均贴近度以及格贴近度     

模糊相似关系下的模糊粗糙集

在模糊粗糙集模型中引入模糊相似关系,定义了一组上、下近似集,并讨论了模糊相似关系下的模糊粗糙集的一些性质,得出了它在模糊相似关系的包含运算、并运算、交运算、合成运算及闭包运算下的一些结论。最后定义了模糊粗糙集在模糊相似关系下的粗糙度和近似精度,并得出了一些结果．     

一种由三角模所诱导的粗糙集间的相似性度量方法

给出两粗糙集间一种新的相似度计算方法,并将其应用到模糊模式识别问题中,通过算例说明这种方法的可行性和有效性.     

广义模糊粗糙集的包含度和相似度的关系

在广义模糊粗糙集模型的基础上,讨论了其中定义的包含度和相似度的关系,给出并证明了包含度和相似度关系的一些性质定理,为粗糙集理论的研究和应用奠定了一定的理论基础.     

高型粗糙模糊集及高型模糊粗糙集

定义了L型粗糙模糊集（L型RF集）,给出了其相关性质,进而引进了高型粗糙模糊集（高型RF集）,它比普通的RF集具有更高层次的粗糙模糊性,可用于人们对粗糙模糊现象的描述,增强人们对自然语言的表达能力,平行地,最后研究了高型模糊粗糙集（高型RF集）。     

多值信息系统的基于相似度的粗糙集模型

在建立一个新的基于相似度的粗糙集模型的基础上,研究该模型的知识约简,并建立了基于相似度的相容矩阵,通过相容矩阵刻画了多值信息系统中的约简问题.     

改进的广义模糊软集的贴近度

基于广义模糊软集在处理不确定性问题中的应用,本文对已有的广义模糊软集的贴近度进行了修正,并将其应用于医疗诊断问题中.通过比较得到,修正的贴近度更合理,因而有更好的适用性.     

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.     

广义粗糙模糊子群

定义了群中模糊集合基于模糊不变子群的整体近似,并研究了近似算子的性质,讨论了近似算子对于模糊子群的交、并运算的性质;提出了上(下)广义粗糙模糊子群的概念,分析并证明了模糊不变子群成为上(下)广义粗糙模糊子群的条件.     

一种由三角模诱导的粗糙集间的相似性度量方法

首先介绍了粗糙集、模糊集与三角模的概念,接着指出利用三角模可以诱导出相应的包含度,进而可得到一个相似度,提出了一种利用三角模对粗糙集间的相似性进行度量的新方法.最后借助算例验证了该方法的可行性.     

粗糙集和模糊集的比较分析

介绍了模糊集和粗糙集各自的理论和特点,并讨论了模糊集和粗糙集的各自优点和缺点,有机将两种理论结合起来分析了模糊粗糙集、粗糙模糊集及粗糙隶属函数的性质及应用,引入变精度思想,在粗糙模糊集上定义其上下近似。     

基于包含度的VC成绩分析

将基于包含度的数据挖掘方法引入到高职学生VC成绩的分析之中,得出了有意义的约简和针对性的规则,通过实验研究,表明该方法得到的实用规则,在以后提高教学绩效方面具有较大实用价值.     

基于邻域的隶属度覆盖粗糙集模型

通过覆盖粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系.把覆盖粗隶属函数视为论域上的一个特殊模糊集,用它的α-截集和β-强截集的概念,将覆盖粗糙集模型进行推广,提出基于邻域的隶属度的覆盖粗糙集模型,并讨论了其性质.