关于广义H空间中R-KKM定理的注记

在广义H空间中减弱了对空间紧性条件的要求，降低了对集值映象的闭值性限制，得到了关于紧闭（开）值的R－KKM映象的R－KKM定理，并应用此定理，在广义H空间中证明了集值映象的一个新的不动点定理。     

G—凸空间中广义S—KKM映象的性质

在G－凸空间中引入S－KKM映象,证明了紧闭S－KKM映象的不动点定理,推广了若干古典不动点定理,同时还得出了KKM型定理并用它得到了广义Ky Fan匹配定理。     

L—凸空间中的KKM定理及其应用

在L－凸空间中建立了具有转移紧闭值的GLKKM映象的广义LKKM定理，作为应用，证明了L－凸空间中的极大极小不等式定理和鞍点定理。     

关于集族L-S-KKM(X,Y,Z)的GL-SKKM型定理

在较广泛的L-凸空间中借助具转移紧闭值的广义L—S—KKM映象，利用广义L—S—KKM性质，得到了L一凸空间中关于集族L—S—KKM(X，Y，Z)的一组GL—SKKM型定理。推广和改进了许多已知的结果。     

SKKM型定理的推广及其应用

在L—凸空间的非紧子集上引入了广义GL-SKKM映象，建立了关于紧闭值或转移紧闭值的广义GL-SKKM映象的广义GL-SKKM定理．作为应用，证明了L—凸空间中的极大极小不等式定理和鞍点定理。     

L-凸空间中的广义GL-KKM定理及其应用

在L-凸空间的非紧子集上引入了广义GL-KKM映象，建立了具紧闭值或转移紧闭值的广义GL-KKM映象的广义GL-KKM定理．作为应用，证明了L-凸空间中的极大极小不等式定理和鞍点定理．     

广义KKM定理与匹配定理,重合定理

在Ｈ－空间中利用紧闭（紧开）的概念，得到了广义ＫＫＭ定理，作为应用证明了匹配定理和重合定理，所得结果推广和统一了Ｆａｎ及Ｆｏｒｖａｔｈ等人的研究结果     

L-凸空间的乘积空间内广义R-KKM型定理及其应用

在L 凸空间内引入了一类广义R KKM映射,对具有有限闭(紧闭)值的广义R KKM映射簇证明了一个广义R KKM型定理.作为应用,一个聚合不动点定理和一个匹配定理被证明.这些定理推广了近期文献中的结果.     

G-H-空间中KKM定理的变形

作为古典的KKM映像的推广，R．U．Verma(On a generalized class of minimzx inequalities[J].J Math Anal Appl,1999,240(2):261-366.）介绍了G－H－空间的概念，引入了I－G－H－KKM映像，得到了一些新结果。给出了G－H－空间中KKM定理的一种形式，并得到G－H－空间中Ky Fan型sup inf sup形式不等式。     

关于广义L-S-KKM映象的性质

作为研究非线性领域中很多问题的重要工具，Lin和Chang引入了一类S-KKM映象，证明了若干S-KKM映象的性质．本文在L-凸空间中建立了广义L-S-KKM映象，讨论了广义L-S-KKM映象的性质，并且证明了L-S-KKM集族是KKM集族的真推广．作为应用还得到了L-凸空间中的一个不动点定理．改进和推广了广义S-KKM映象的相关性质．     

p-E-凸集及其若干性质

在p-凸集和E-凸集概念基础上,通过将p-凸集和E-凸集相结合,提出了一种广义凸集——p-E-凸集,使得凸集、p-凸集和E-凸集成为它的特例,推广了凸集的概念.最后,初步研究了p-E-凸集的性质.     

关于模糊粗糙集的一个注记

指出文献[6]中定义的模糊粗糙集的补集不再是模糊粗糙集.为了克服原定义中的缺陷,给出了关于模糊粗糙集的新的补集定义,讨论了相应的运算性质.同时还证明:模糊粗糙集其实就是定义在F格L上的L-模糊集.     

q-开集及其性质

给出了q-开集的定义及其相应性质,讨论q-开集同半开集、准开集,α - 集之间的关系.     

教育实验结果的评价──模糊数学在教育实验中的应用

利用模糊矩阵，对教育实验结果的价值进行综合评判，以实现评价的客观性，并对影响实验结果的各因素作分析。     

康托型集的应用

着重讨论了康托型集在实变函数论中的某些应用。     

自相似马氏过程的极性

本文我们给出了任意紧集不是自相似马氏过程的本性极集的充要条件，并讨论了自相似马氏过程极集，本性极集，半极集之间的关系．     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题.对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质.这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路.     

粗糙集与模糊集的比较研究

近来许多研究致力于不确定性问题的知识获取，不确定产生于许多方面：它可以来自于对事物进行描述的术语的模棱两可；也可以来自描述过程中对规则的怀疑；或者数据的错误、丢失．处理不确定性问题的理论有很多，粗糙集与模糊集都是有效手段，它们有联系有区别，可以相互补充有机结合起来解决更多问题．     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题。对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质。这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路。     

不变反凸模糊集

研究了不变反凸模糊集及其相关性质,推广了有关文献中反凸模糊集的概念和相关结论.首先,通过将不变凸集的思想应用到反凸模糊集,定义了一种新的广义反凸模糊集——不变反凸模糊集:设A∈F(Rn),称A为不变反凸模糊集,若存在映射η:Rn×Rn→Rn,有A(y+αη(x,y))≤A(x)∨ A(y),(V) x,y∈Rn,(V)α∈[0,1].然后,探讨了反凸模糊集与不变反凸模糊集的关系:当η(x,y) =x-y时,不变反凸模糊集就退化为反凸模糊集,显然,反凸模糊集成为不变反凸模糊集的特例；通过构造例子说明不变反凸模糊集不是反凸模糊集,得到不变反凸模糊集是反凸模糊集的真推广的结论.根据不变反凸模糊集的定义,研究了不变反凸模糊集的并、稠密性等性质以及模糊集成为不变反凸模糊集的条件.最后,类似于不变反凸模糊集,分别探讨了模糊集成为不变强反凸模糊集和不变严格反凸模糊集的条件.