粗糙集的隶属度算子

在经典的Pawlak粗糙集模型中,RX是由那些根据知识尺判断可能在X中的U中元素 组成的集合.bnR(X)是由那些根据知识既不能判断肯定在X中又不能判断肯定在～X中的U中元素组成的集合.但元素隶属于RX或bnR(X)的程度却没有给出.提出并定义了一种粗糙集的隶属度算子.对于论域U, x∈U及X U,该算子可计算元素x的依R在X的上近似中的程度,以及依R在X的下近似、边界、负域中的程度,并据此建立了一种基于该算子的粗糙模糊集模型.     

模糊决策粗糙集模型及其属性约简

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数据进行属性约简.利用UCI标准数据集,将该模型与Pawlak经典粗糙集、决策粗糙集在属性约简能力上进行比较,仿真实验结果表明,该模型具有较好的性能.     

基于等价关系的双粒度粗糙集模型

Pawlak粗糙集模型主要关注的是论域上一个等价关系导出的集合的近似,是单粒度的.通过用论域上的2个等价关系定义集合的近似,把单粒度的Pawlak粗糙集模型扩展到双粒度粗糙集模型.研究了双粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是双粒度粗糙集性质的特殊情况,并且使用双粒度定义的近似度量优于单粒度定义的近似度量,该度量更适合描述概念的精度并更利于解决用户的需求.     

一般关系下的变精度粗糙集模型

通过分析一般关系下基本粗糙集模型的不足,定义了一般关系下的多数包含关系,借助引入的误差参数α(0≤α＜1/2),给出了一般关系下的变精度粗糙集模型.在该模型中,当α=0时,退化为一般关系下的基本粗糙集模型(Z.Pawlak模型);当|Rs(x)|·α=k时(|Rs(x)|表示元素x后继邻域Rs(x)之基数,k为非负整数),退化为常见的程度粗糙集模型.通过它与一般关系下基本粗糙集模型(Z.Pawlak模型)的比较,可以看出,在引入误差参数α后,能够使尽可能多的有用信息被提取、挖掘.从而克服了基本粗糙集模型中由于要求绝对精确的包含关系而使大量有用信息丢失的现象,并讨论了所给模型的一些性质.最后,在所给模型基础上讨论了一种广义近似空间中集合的相对可辨性、近似依赖和属性约简.     

基于粗糙集理论的膨胀土分级模型及应用

将粗糙集理论与模糊集理论相结合并应用于膨胀土分级问题中,利用粗糙集中的知识约简方法挖掘评价指标.把权重问题转成粗糙集理论中属性重要性问题,建立了关于膨胀土分级评价的关系数据模型。将评价结果与实际的评价结果对比分析,研究结果表明：预测等级与实际结果吻合,比较客观地反映了膨胀土分类的复杂状况,且该方法操作简单。     

粗糙集中几种粒结构的代数关系

针对目标概念在近似空间上存在多种粒结构的问题,通过讨论目标概念的最优近似集与Pawlak近似集、变精度近似集之间的代数关系,得到最优近似集与Pawlak下、上近似集、变精度下、上近似集的等价条件;通过分析基于最优近似、基于Pawlak近似、基于变精度近似的分布约简之间的关系,得到在一定条件下,最优近似分布约简为Pawlak近似与变精度近似的分布约简.研究结果表明:根据目标概念与基本知识粒之间不同的近似刻画,不仅可以建立不同的粗糙集模型,还可以建立不同的分布约简.     

多粒度粗糙集模型

把Pawlak粗糙集模型从经典的单粒度粗糙集模型扩展到多粒度粗糙集模型,用论域上的多个等价关系定义了集合的近似.研究了多粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是多粒度粗糙集的特殊情况,并且使用多粒度定义的近似度量优于单粒度定义的度量,该度量更适合描述概念的精度并利于解决用户需求的问题.     

粗糙集理论在模糊隶属函数辩识中的应用

提出应用粗糙集理论辩识模糊隶属函数的可行性 .它对机械化立窑水泥煅烧过程操作工的经验知识和专家知识进行综合考虑 ,归纳为知识系统决策表 .根据粗糙集理论 ,求出决策表的最小约简算法 .依此属性 ,重新划分模糊空间 ,并定义边界以确定隶属函数 .经模型有效性确认 ,表明该方法是有效的 .     

决策粗糙集模型研究综述

主要对决策粗糙集（decision-theoretic rough sets,DTRS）理论的内容与发展概况作综述性回顾。介绍了决策粗糙集的基本理论,包括决策粗糙集产生的背景、决策粗糙集的Bayes决策理论基础、概率粗糙集模型、决策粗糙集模型与经典Pawlak代数粗糙集模型以及一般概率粗糙集模型之间的关系等;讨论了决策粗糙集意义下的三值决策语义以及约简定义,并回顾了决策粗糙集在实际问题中的应用。     

有限Boole格上粗糙集模型的代数结构

粗糙集理论是解决分类问题的一种数学方法。在信息系统中，属性值可以是数值，也可以是集合或Fuzzy数，因此都可看成格值信息系统。在有限Boole格上，利用上、下近似定义了粗糙集模型，得到了与Pawlak粗糙集模型类似的一些性质，证明了该模型可以定义为一个完备的Ｓtone代数，这样就把现有的粗糙集模型推广到更一般的情形。     

粗糙子环的判定

粗糙代数是粗糙集理论研究的一个方向,粗糙环和粗糙子环是粗糙代数的主要内容之一.以 Pawla粗糙集模型、环论为基础,给出了环的粗糙子环的定义,并研究了粗糙子环的性质及判定定理, 扩展了粗糙代数理论的研究范围.     

双论域粗糙集的不确定性度量

为了进一步扩展粗糙集的应用范围和灵活性,利用构造性方法研究了双论域粗糙集的不确定性度量,分析了双论域粗糙集不确定性度量与由双论域粗糙集诱导的Pawlak粗糙集的粒度之间的关系.通过比较Pawlak近似空间中粒度的大小,定义了不同信息系统中关系的粗细程度,给出了反映信息系统分类能力的双论域粗糙集信息熵和信息粒度的定义,研究了双论域粗糙集信息熵和信息粒度与信息系统中关系的粗细程度之间的关系.结果表明：双论域粗糙集的信息熵越大,信息系统的不确定性越强,信息系统中关系的区分能力越弱;信息系统的关系越精细,双论域粗糙集的信息熵越小,双论域粗糙集的信息粒度越小.     

模糊等价关系下的犹豫模糊粗糙集及其应用

首先通过对长度不同的犹豫模糊元进行补齐来定义犹豫模糊集新的交并运算,在Pawlak近似空间中利用新的运算建立粗糙犹豫模糊集模型;然后将Pawlak近似空间推广到一般犹豫模糊近似空间,利用犹豫模糊元间的相似度获得犹豫模糊近似空间中对象间的模糊关系矩阵,再利用模糊集的传递闭包法将模糊相似矩阵转化成模糊等价矩阵,在此基础上建立犹豫模糊信息系统中的粗糙集模型,研究犹豫模糊信息系统的属性约简。最后通过一个算例来说明犹豫模糊信息系统的属性约简方法。     

基于程度粗糙集模型的近似约简和近似相对约简

知识约简是在保持知识库分类能力不变的务件下，删除其中不相关或不重要的知识，它是粗糙集理论的核心内容之一。基于程度粗糙集模型提出了知识的近似约简和近似相对约简的定义，并且讨论了它们的一些相关性质。近似约简和近似相对约简是Pawlak粗糙集模型下的约简和相对约简的推广，它们能够在一定误差允许下约简更多的知识，使问题更加简化，同时也为获取近似决策规则奠定了基础。     

一种信息系统属性约简新方法

针对现实中的信息系统的不完备缺失属性,以及无法使用Paw lak粗糙集解决属性约简的情况,在经典的Paw lak粗糙集的基础上,引入一般关系下的粗糙集模型,并给出了基于一般关系的信息系统属性约简的定义.为了使不完备信息系统可以得到更好的属性约简,通过对非对称相似关系进行改进,提出了一种基于改进非对称相似关系的粗糙集模型,在此基础上给出了一种新的不完备信息系统的属性约简算法,并用实例说明了其有效性.     

粗糙模糊子群在满同态下的性质

粗糙集理论是由Plawlak于1982年提出的,模糊集理论是由Zadeh于1965年建立的,粗糙集与模糊集的结合越来越受到学术界的关注．研究了群中模糊集的上、下近似,给出了上、下近似算子的性质,讨论了粗糙模糊子群在满同态下的性质．     

变精度粗糙集下基于信息熵的属性约简算法

本文针对在Z．Pawlak粗糙集下进行属性约简中存在的问题,在对变精度粗糙集理论下卢下近似约简概念分析的基础上,引入了信息熵,建立了变精度粗糙集意义下的决策表中属性重要性的度量方式,区分了β阈值界定下的“弱不一致信息”与“强不一致信息”的不确定程度,从而刻画了标准粗糙集下正域之外的不一致信息的不确定程度,以该度量作为启发式信息,提出了基于信息熵的β下近似约简的启发式算法．这为不一致信息系统的属性约简提供了理论依据与算法．     

双向S-粗糙模糊集及其应用

利用模糊元素迁移的概念,将静态的模糊集推广到动态的模糊集,得到双向S-模糊集。以此为基础,提出了双向S-粗糙模糊集,给出了双向S-粗糙模糊集的结构。分析了双向S-粗糙模糊集与Z.Pawlak 粗集、Dubois粗糙模糊集以及双向S-粗集之间的关系。给出了双向S-粗糙模糊集的应用。