知识依赖与知识依赖特性

给出S-粗集(Singular rough sets)中的知识，f^--知识和它们的属性集结构；利用这些概念，给出知识的f-依赖关系与知识的f^--依赖关系，提出知识依赖性定理和知识的依赖属性补充-删除原理．     

S-粗集上的知识特性

基于S-粗集的理论,给出了知识膨胀度与f^--知识萎缩度的概念;讨论了f-知识膨胀与f^-=知识萎缩的性质,提出了S-粗集上知识膨胀度-萎缩度等值定理,f-知识集知识膨胀定理;f^--知识集知识萎缩定理,给出f-知识f^--知识在决策识别中的应用．     

知识过滤和它的依赖推理发现

知识具有颗粒，知识具有粒度；颗粒，粒度是知识的两个基本特征；知识的颗粒特征，知识的粒度特征与知识的属性保持着紧密联系，属性的变化引起知识颗粒特征，知识粒度特征的变化．本文将物理学中物质具有颗粒的概念和过渡的概念引入到粗集（rough set）理论与应用的研究中，提出了知识过滤的概念，给出知识过滤的数值度量，知识筛子原理．利用知识过滤的概念，给出知识过滤在依赖推理中的推理结构，依赖推理的数值关系和在知识发现中的应用．知识过滤与依赖推理相互交叉，互补共享，是知识发现研究的一个新方向．     

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识［x］内的元素个数被减少;利用属性集α内的部分属性被删除, 知识［x］内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。     

S-粗集与它的■干扰依赖还原

利用单向S-粗集对偶(dual of one direction singular rough sets)给出了知识的f-干扰生成与还原,单向S-粗集对偶的F-干扰生成与还原的概念,在这些概念的基础上提出了F-干扰定理,F-干扰盈余定理,F-干扰分辨定理,干扰依赖还原定理,干扰依赖还原原理,给出F-干扰的应用.     

F-知识与它的隐藏-依赖特征

S-粗集(singular rough sets) 存在三种形式: 单向S-粗集(one direction singular rough sets), 单向S-粗集对偶(dual of one direction singular rough sets)和双向S-粗集(two direction singular rough sets)。 S-粗集具有动态特性, 遗传特性, 记忆特性和隐藏特性。 利用S-粗集, 给出了f-隐藏知识, F-隐藏知识, 隐藏度和隐藏-依赖度的概念, 提出了关于隐藏知识的隐藏定理和隐藏-依赖定理, 并给出应用。     

函数S-粗集与规律积分度量

利用函数单向S-粗集和函数单向S-粗集对偶,给出f-规律知识,规律知识,f-规律和规律的概念,利用这些概念,给出规律知识生成的规律之间的关系和积分度量.     

格序模的f一张量积与有限相关f一模

本文证明了格序模f-张量积的存在唯一性,并由此得出一些重要结果;同时给出了有限相关f-模的一个等价条件。     

f-基的判定和线性变换下的f-线性关系

V是数域F上的一个向量空间，α1，α2，…，αn-1为V的一个f-基，本文给出了V的一个向量组β1，β2，…，βn-1是V的f-基的充分必要条件，并讨论了线性变换下模糊线性无关的向量组的变化规律。     

函数P-集合属性依赖与应用

利用函数P-集合的结构,给出函数P-集合的属性依赖,给出属性依赖度量与函数P-集合的属性依赖定理。利用这些结果,给出函数P-集合属性依赖的应用。     

P-对偶信息的依赖与获取-发现

利用P-集合与它的动态特性,定义了内、外P-对偶信息及P-对偶属性信息。利用这些概念,提出了P-信息依赖度、依赖系数,P-对偶信息依赖度、依赖系数;讨论了内、外P-属性信息依赖定理,P-对偶信息获取-发现定理及内潜藏原理,得出P-对偶信息依赖-获取两个准则。最后给出P-对偶信息的应用。     

基于关系数据模型的知识表示与知识获取算法研究

基于关系数据模型,提出了知识表示的属性理论,并研究了属性理论中知识表示的基本方法;给出了一种基于属性理论的知识获取算法。经实际应用证明,该理论和方法具有实用参考价值。     

一种基于数据的一致性进行知识简约方法

文章从基于条件属性等价划分与研究论域对象的覆盖率入手,提出了一种新的数据一致性概念,基于数据的一致性概念进行知识简化,比粗集理论中利用知识的依赖性研究知识简化概念更清楚,方法更简便。结合实例分析、处理大型的知识表达系统,研究经典CTR汽车数据库的知识简化,实验结果证明了本文方法的可行性和有效性。     

基于蚁群算法的粗糙集知识约简

给出了一种新的粗糙集知识约简方法,即结合粗糙集理论的依赖度定义,先给出知识约简转化定理,然后运用一种改进型蚁群算法,采用局部和全局搜索相结合的方法,对知识表达系统进行约简.同时,在适值函数中引入罚函数,从而保证所求的约简在包含最少而非零个属性的基础上有较大的依赖度.通过Matlab计算实例可看出,本文算法对求解知识约简问题快速有效.     

S-粗集与它的知识遗传挖掘

利用S 粗集中的遗传知识及其遗传系数的概念，给出了知识的变异系数的概念；提出了变异系数属性依赖定理、遗传-变异关系定理；并给出了知识的遗传挖掘及其算法.     

变异粗集近似精度与变异知识特性

利用变异粗集的概念,讨论了变异粗集近似精度与Pawlak粗集近似精度的关系．分析了变异知识重要度、过滤度的性质,得到了变异知识重要度、过滤度、粒度的关系定理以及变异知识挖掘定理．     

一种基于属性依赖的属性约简算法

针对现有属性约简算法存在的问题,利用信息论和粗糙集理论,提出了基于属性依赖的属性约简算法,该算法不用求核.首先利用单个条件属性与决策属性的依赖度来选择条件属性,取与决策属性依赖度大的属性,计算完毕后,将得到的条件属性两两之间进行依赖度计算,删除冗余属性,最后得到条件属性的约简.理论分析及实验结果表明该算法具有较好的约简效果及更高的运行效率.     

交非空关系下信息系统的知识约简

在交非空关系下的目标信息系统中引入了协调集判定定理,研究了该信息系统的属性约简及协调集问题,给出了约简等相关定义,并给出了求解目标信息系统辨识矩阵和约简的算法.