概率粗糙集的模糊性

从粗糙隶属函数的角度出发,研究了概率粗糙集模型的模糊性度量及其性质;用模糊集的截集的概念描述了变精度概率粗糙集模型。     

覆盖粗糙集的模糊度

粗糙集的不确定性度量是粗糙集理论中的关键问题之一.粗糙隶属函数为粗糙集提供了新的解释,并为粗糙集的不确定性度量提供了方法.Tsang对覆盖近似空间中的近似算子进行了研究,提出了一种较已有模型更合理的覆盖粗糙集模型.但是,该覆盖粗糙集的不确定性度量却没有被研究.针对第三类覆盖粗糙集模型,定义了第三类覆盖粗糙集的粗糙隶属函数,并据此定义了第三类覆盖粗糙集的模糊度.     

一般关系下粗糙集的模糊性

从粗糙隶属函数的角度出发,研究了一般关系下的粗糙集模型的模糊性度量,用模糊集的截集的概念描述了一般关系下变精度粗糙集模型。     

覆盖粗糙集的模糊度

粗糙集的不确定性度量是粗糙集理论中的关键问题之一。粗糙隶属函数为粗糙集提供了新的解释,并为粗糙集的不确定性度量提供了方法。Tsang对覆盖近似空间中的近似算子进行了研究,提出了一种较已有模型更合理的覆盖粗糙集模型。但是,该覆盖粗糙集的不确定性度量却没有被研究。针对第三类覆盖粗糙集模型,定义了第三类覆盖粗糙集的粗糙隶属函数,并据此定义了第三类覆盖粗糙集的模糊度。     

基于模糊集μ_X~R的α-截集和强β-截集的粗近似

研究了基于模糊集μXR的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

基于模糊集μRX的α-截集和强β-截集的粗近似

研究了基于模糊集μRX的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

粗集中的隶属函数及其与模糊集的联系

通过模糊集“弱包含于B”的引入，利用模糊隶属函数对普通粗集、粗模糊集和模糊粗集中的隶属函数进行了描述，得到了粗集理论与模糊集理论在隶属函数上的相关性．并从语义的角度讨论了粗集与模糊集的区别和联系．     

基于模糊集μRX的α-截集和强β-截集的粗近似

研究了基于模糊集μ^R_X的α-截集和强β-截集的粗近似问题，提出了(α,β)-粗糙集模型，讨论了粗糙近似算子的一些重要性质，给出了粗糙度和近似精度的定义和性质，证明了该模型比Pawlak粗糙集模型具有更好的精度．     

一种区间模糊粗糙集的定义及其性质

文章首先定义了一种区间模糊粗糙集,研究了一些基本性质,通过引入模糊集的λ-截集和模糊集的λ-强截集构造了新的区间模糊粗糙集,解决了只能用模糊集方式定义区间模糊集的问题,给出了区间模糊粗糙集的更加严格的数学定义,最后给出区间模糊粗糙集的相应性质,从而进一步拓展了模糊粗糙集的理论内容.     

基于覆盖的模糊粗糙集的截集性质

在引入重截集概念的基础上,主要研究了基于覆盖的模糊粗糙集的截集性质,同时给出了基于覆盖的模糊粗糙集的截集表示.     

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.     

粗糙集代数与MTL代数

讨论粗糙集代数与MTL代数的关系以及由粗糙集代数构造MTL代数的方法.借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子及余运算之后,粗糙集代数就成为MTL代数.     

区间值模糊集上的粗糙近似

提出了区间值模糊粗糙集的上下近似，并且利用区间值模糊集的截集定义了区间值模糊粗糙度量，在此基础上讨论区间值模糊粗糙集和区间值模糊粗糙度量的性质。     

直觉模糊粗糙集的公理化

直觉模糊粗糙集的公理系统是直觉模糊粗糙集理论与应用的基础,文章定义了直觉模糊集的2种运算,基于这些运算和直觉模糊粗糙集公理化模型,给出直觉模糊粗糙集新的公理系统;该系统用一条简洁的公理描述了直觉模糊粗糙集,为直觉模糊粗糙集理论研究的深入和完善提供了有益的帮助。     

广义粗集的公理化

粗集理论在数据挖掘等领域得到了广泛的应用，对粗集理论进行推广可得到各种广义粗集。该文研究了广义粗集的多个公理组，证明了公理组中各公理的独立性，并给出了普通粗集理论的另一个公理组，它有4条相互独立的公理组成。     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

基于粗糙集理论的Bayes粗糙模型研究

从经典的概率粗糙集推广模型出发,参照Bayes因子,研究了一种Bayes粗糙集模型,该模型不受先验概率的影响,从而减小了决策失误的风险．     

分级粗糙集和分级知识约简

Pawlak 粗糙集模型认为一个元素要么属于一个集合,要么不属于该集合,要么可能属于该集合,把可能属于该集合的元素的全体称为边界.Pawlak 粗糙集模型对边界的研究较少.文章认为对边界的隶属度差别较小的元素以同一个量级属于边界,从而可按一个对象对边界的隶属量级对边界进行划分.基于这一思想提出了分级粗糙集模型和分级最大分布约简、分级分布约简的概念.给出了这两种约简的判定定理及辨识矩阵以及相应的核属性的等价条件.分级粗糙集模型推广了Pawlak粗糙集及变精度粗糙集模型.     

粗糙集代数与R_0-代数

在粗糙集的代数方法研究中,一个重要的方面是从粗糙集的偶序对(<下近似集,上近似集>)表示入手,通过定义偶序对的基本运算,从而构造出相应的粗代数并发现R0-代数能够抽象刻画偶序对的性质。讨论了粗糙集代数与R0-代数的关系以及由粗糙集代数构造R0-代数的方法,借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子和余运算之后,粗糙集代数就成为R0-代数。     

覆盖广义粗糙集理论中的LF拓扑方法

从LF拓扑学的角度来探讨覆盖广义粗糙集理论,在LF拓扑空间中定义了相对内部和相对闭包,并讨论了它们的基本性质.这些性质不仅对粗糙集理论,而且对于LF拓扑学本身也有重要意义.