函数S-粗集与投资风险F-规律发现

利用函数F-粗集概念给出了规律的f-遗传, f-遗传规律生成,函数单向S-粗集的F-遗传, F-遗传规律生成等概念.提出了F-遗传规律包络定理, F-传递规律分离定理.利用这些结果,给出函数单向S-粗集与投资风险F-规律的发现与应用.     

F-干扰规律生成与它的特征识别

利用单向S-粗集概念给出了知识的f-干扰生成与f-干扰规律生成，单向S-粗集的F-干扰生成与F-干扰规律生成的概念.提出了F-干扰损失与F-干扰度关系定理，F-干扰损失规律与F-干扰度规律关系定理，F-干扰分辨定理，干扰规律分辨定理，给出了F-干扰规律识别准则与应用.     

S-粗决策及其F-干扰生成

针对动态决策系统具有的干扰特性和决策的不确定性,利用双向S-粗集提出了F-干扰粗决策与F-干扰粗决策规律的概念,并对F-干扰粗决策生成与F-干扰粗决策规律生成的特性进行了讨论,给出了F-干扰粗决策规律不可分辨定理与识别准则和应用.通过讨论和应用,说明利用F-干扰粗决策规律有助于在动态决策系统中分辨-识别出异常干扰,修正系统做出的决策,保证决策的安全.     

F-干扰规律生成与特征识别

利用单向S-粗集对偶给出知识的f-干扰生成与f-干扰规律生成,单向S-粗集对偶的F-干扰生成与F-干扰规律生成的概念,基于这些概念提出了F-干扰盈余与F-干扰度关系定理、F-干扰盈余规律与F-干扰度规律关系定理、F-干扰分辨定理、F-干扰规律分辨定理,给出了F-干扰规律识别准则与应用。     

S-粗集与它的F-记忆

利用S-粗集(singular ough sets)和S-粗集的遗传特性,给出知识的f-记忆和S-粗集的F-记忆的概念．利用这些概念,提出S-粗集的F-记忆特性,S-粗集的F-记忆定理,F-记忆链上知识丢失原理．F-记忆是S-粗集的重要特征之一．     

函数单向S-粗集生成的F-模型

利用函数单向S-粗集, 给出R-函数等价类［u(x)］的f-模型与f-t阶单向动态模型的生成及有关概念, 给出F-模型与F-单向动态模型生成及有关概念, 提出F-单向动态模型序关系定理及动态分离定理, F-模型的动态特征依赖于属性集α上的属性补充。利用这些讨论, 给出F-模型生成原理及应用。     

F-粗规律与它的属性控制

函数单向S-粗集(Function one direction singular rough sets)是用具有动态特性的R-函数等价类［u］定义的, 函数单向S-粗集具有规律(函数)特征。 利用函数单向S-粗集, 给出F-粗规律(w-(x)F,w-(x)F)的结构, 粗规律(w-(x),w-(x))的属性特征, 属性距离, 状态系数概念, 利用这些概念, 提出F-粗规律与它的属性控制, 给出属性控制准则, 属性控制定理与应用。F-粗规律与它的属性控制是函数S-粗集(Function singular rough sets)中的一个新的应用研究方向。     

F-粗规律分离与风机盘管运行-识别

提出F-粗规律分离、F-粗规律分离簇的概念,给出F-粗规律分离定理。将F-粗规律分离、F-粗规律分离簇运用到风机盘管运行-识别系统的研究中,为实现风机盘管运行-识别的智能性与稳定性研究提供了一个新思路。     

函数单向S-粗集对偶与F--预测规律发现

函数S-粗集理论是粗集理论的拓展,函数单向S-粗集对偶是函数S-粗集的三类形式之一. 函数S-粗集具有规律特性、动态特性、遗传特性、记忆特性与预测特性. 利用函数单向S-粗集对偶的动态特征, 给出-预测规律、F-预测规律和预测度概念, 提出预测规律的预测定理, 并在通信传输识别系统中给出应用. 函数S-粗集(函数单向S-粗集、函数单向S-粗集对偶、函数双向S-粗集)与信息系统融合、交叉是粗集理论中的一个新的研究方向.     

函数S-粗集与它生成的F-隐形图像特征

利用甬数S-粗集,给出图像生成;提出F-隐形图像的概念,给出F-隐形图像的构成结构;给出F-隐形图像的属性特征;提出F-隐形图像分离定理与还原定理,给出F-隐形图像在图像信息系统中的应用.     

基于S-粗集的粗数据规律识别

利用S-粗集,给出粗数据的概念,粗数据具有动态特性;给出粗数据规律生成;提出粗数据规律生成定理,粗数据规律还原定理;给出粗数据规律识别准则与可分辨定理;给出粗数据规律的应用。     

粗规律生成与它的分离

利用函数S-粗集(function singular rough sets), 给出粗规律生成, 粗规律生成定理; 利用这些结果, 提出粗规律分离与粗规律分离定理, 粗规律带复合生成定理与粗规律带原理; 给出粗规律分离在利润风险规律识别中的应用。     

单向S-对偶粗决策规律与决策规律挖掘

利用单向S-粗集对偶,给出单向S-对偶粗决策规律生成方法;给出上决策规律,下决策规律,单向S-对偶粗决策规律核,单向S-对偶粗决策规律带的概念. 利用这些概念,提出下决策规律传递定理, 上决策规律传递定理,分离的属性定理,粗决策规律挖掘定理与粗决策规律挖掘准则.     

粗糙逼近近似度量在分类规则挖掘中的应用

为了提高决策系统的分类质量,探讨了一种在数据仓库中基于粗糙逼近近似度量的挖掘分类规则策略.首先介绍了数据集中挖掘分类规则的基本原理,并利用粗糙集理论中粗糙逼近近似度量概念,根据决策表条件属性重要性度量及条件属性对决策类划分的逼近近似度量,提出了基于改进粗糙逼近近似度量的数据挖掘进行属性约减方法,最后举例说明了如何在数据库中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.     

外-扰动与属性合取收缩规律挖掘-分离

利用函数 P-集合模型与它的动态特性和规律特征，给出函数 P-集合的结构与规律扰动、扰动恢复概念、扰动度量，利用这些概念得到外-扰动与属性合取收缩定理、属性合取收缩与外-扰动规律挖掘-分离定理、外-扰动与规律挖掘辨识定理和不变性定理。     

One Direction Rough Law Generation and Its Security Transmission

By using function one direction S-rough sets (function one direction singular rough sets),the concept of one direction rough law is proposed,where one direction rough law is the law pair {w(x)-,w(x)-} composed by w(x)-and w(x)-. If the attribute set {α-,α-} of function one direction S-rough sets changes,then one direction rough law {w(x)-,w(x)-} will change,too. By employing ellipse curves,the concept of one direction rough law security is presented,the security theorem of one direction rough law is proposed and the applications are given. One direction rough law security,which is generated by the intersection and penetration between function one direction S-rough sets and ellipse curves,is a new applied research direction of function S-rough sets.     

粗糙集理论中新的知识发现方法

与现有的基于属性简约的知识发现方法不同 ,本文基于粗糙集合理论定义了 2类新的知识发现 ,即 1、2类知识发现 ( FCKD,SCKD) ,目的是在知识系统动态变化后 ,通过减小知识的粗糙度 ,发现原规则中没有的、有决定性作用的新属性。在此意义下改变规则中属性结构 ,并发现新的规则。定义了两个用于发现新属性的算子 ,并给出两个定理 ,一个推论及其证明 ,最后通过实例 ,对提出的方法作了说明。