基于随机集的粗糙集模型（Ⅱ）

为了说明粗糙订理论在不完备信息系统中的应用,给出了基于随机集的粗糙集方法,提出了不完备信息系统的随机粗糙集的描述,讨论了不完备属性的随机集选择与系统的完备化的关系,并且介绍了一个求不完备属性的最大熵概率测度的算法。     

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。     

基于随机集的可能性测度

利用随机集定义了一种粗糙近似算子，并给出了这种近似算子的性质，当随机集是全序随机集时，这种近似算子与可能性测度之间存在密切的关系。     

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。     

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     

乘积空间上的乘积集值测度

文［１］首先给出了集值测度空间上的随机集积分，并给出了积分的绝对连续性；集值测度的绝对连续性的充要条件；给出了随机集积分在拓扑意义下的收敛定理。本文在乘积空间上建立了乘积集值测度定理和在比较特殊一些的条件下的Ｆｕｂｉ－ｎｉ定理。解决了文［２］提出的两个无人涉及的问题之一。     

关于模糊证据理论的一个新解释

推广了Dempster所提出的随机集概念，并讨论了模糊信息源的不确定结构与模糊事件空间之间的关系，最后特别地用广义的上、下概率概念给出了模糊证据理论的一种新的解释，同时证明了模糊条件信任函数实际上是Dempster模糊条件规则的推广。     

知识测度

在知识库中引入勒贝格测度，定义了知识测度和知识可测，对比勒贝格测度研究了知识测度的性质，并得出了波雷耳集与知识可测集等价等强于勒贝格测度的性质，证明了知识外内测度刚好是知识上下近似的体积，知识可测与知识可定义等价的测度与粗糙集的深刻联系，并由此研究了知识精细关系下近似集与知识测度的性质。     

基于双曲IFSP的概率测度和Dirac测度

利用Markov算子对测度作用的方法,研究等概率条件下基于双曲迭代函数系的Cantor三分集、Sierpinski直角三角形和Koch曲线等典型分形集中概率测度与Dirac测度的关系,得到了概率相等和概率不等时更一般分形集中概率测度与Dirac测度的关系.     

基于随机集的复杂境况下多目标测量

在多传感器多目标融合系统中,多传感器所提供的信息常常不同类,难以融合,建立多传感器多目标的随机集观测模型可以解决统一融合问题.基于随机集理论,根据虚警及漏测的情况,给出了目标的信任测度及其全局密度.从单传感器单目标推广到多传感器多目标,建立了实用的多目标随机集测量模型,并根据实例证明了该模型的实用性和有效性.     

多粒度模糊粗糙近似算子的信任结构与属性约简

多粒度是近年来粗糙集领域研究的一个热点方向, 为使多粒度模型更适用于实际数据, 提高模型的可用性, 模糊思想被引入到多粒度粗糙集模型中。本文构建了基于模糊相似关系下的多粒度模糊粗糙集模型, 并建立了模糊信任结构。在该信任结构下根据多粒度模糊粗糙集的上、下近似构造信任函数与似然函数。研究多粒度模糊粗糙集在模糊等价关系下的属性约简, 并给出相关算法。     

粗集模型的特征函数表示

粗糙集理论是处理不确定知识的一种工具,已在人工智能与知识发现、模式识别与分类、数据挖掘与故障检测等方面得到了较好应用。由于粗糙集在理论和应用两个方面的迅速发展,粗集模型得到拓广。本文研究粗集模型的特征函数表示形式,这种表示形式具有一般性,可以统一各种推广模型。粗集理论的核心是一对非数值型算子,即上下近似算子。粗集理论中的上下近似算子与证据理论中的一对数值算子——似然函数和信任函数有密切关系,为此作者研究了粗糙集与证据理论的关系。     

信任函数的内外测度和随机集合

从概念和信任值的更新方式等方面，比较了几种主要的信任函数的概率解释方法，证明了当假设空间有限时，可将信任函数的内外测度理解为一种随机集合．     

Numerical Characterizations of Covering Rough Sets Based on Evidence Theory

<正>Covering rough sets are improvements of traditional rough sets by considering cover of universe instead of partition.In this paper,we develop several measures based on evidence theory to characterize covering rough sets.First,we present belief and plausibility functions in covering information systems and study their properties.With these measures we characterize lower and upper approximation operators and attribute reductions in covering information systems and decision systems respectively.With these discussions we propose a basic framework of numerical characterizations of covering rough sets.     

基于等价关系的信息熵及概率分配函数

Pawlak在1982年提出的粗糙(Rough)集是基于等价关系的理论, 粗糙集的发展推动了人们对等价关系的研究.等价关系上的信息熵具有最为简单、规范的性质.本文研究基于等价关系上的信息熵及概率分配函数,讨论基于等价关系上的信息熵的基本性质,为等价关系的信息熵的各种应用提供理论基础,比如等价关系的信息熵在信息系统的约简方面可能发挥重要作用.文章主要从两方面进行论证:①等价关系的粗细对信息熵的影响,这点通过8个命题来说明;②等价关系与证据理论之间的联系.证据理论主要是通过概率分配函数、信任函数及似然函数来表述,从某种意义上说粗集理论继承和发展了证据理论.另外,本文的讨论均在有限论域U={u1,u2,...,u|U|} 上进行,用具体的例子来说明抽象的数学命题,使之更容易理解.     

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.     

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.     

二元函数S-粗集及其关系定理

给出了二元函数S-粗集的数学结构和特性,提出了二元函数S-粗集与一元函数S-粗集、S-粗集、二元函数粗集、Pawlak粗集的关系定理。