S-粗信息矩阵与它的两类形式

利用粗信息矩阵,提出了S-粗信息矩阵概念,给出了S-粗信息矩阵的结构和特征。S-粗信息矩阵具有两类形式:单向S-粗信息矩阵,单向对偶S-粗信息矩阵,双向S-粗信息矩阵。给出了S-粗信息矩阵与粗信息矩阵、S-粗集、Z.Pawlak粗集的关系定理。     

信息向量的粗相似度与知识掺掘

利用粗信息矩阵与相似度的概念，提出信息向量的粗相似度矩阵的概念，完整地讨论了粗相似度、粗相似度矩阵的性质，给出了粗相似度矩阵的生成特性及重要的定理。     

信息向量的粗相似度与知识挖掘

利用粗信息矩阵与相似度的概念,提出信息向量的粗相似度矩阵的概念,完整地讨论了粗相似度、粗相似度矩阵的性质,给出了粗相似度矩阵的生成特性及重要的定理。     

S-粗集的状态转移与识别

提出状态矩阵和状态转移矩阵的概念,分别利用状态矩阵和状态转移矩阵描述属性集R对论域U的划分U/R的状态和U/R的状态转移.给出S-粗集的状态转移识别定理、S-粗集的状态转移识别原理,并给出了应用实例.     

分辨矩阵与知识粒度的应用

粗集理论是一种新的软计算方法，可以有效地分析和处理不完备信息，本文介绍了知识的粒度和属性的重要度等概念，得到了Skowron的分辨矩阵若干定理．利用这些结果，提出计算知识粒度和属性重要度的新方法，给出这些方法的应用，应用例子表明本文提出的方法的有效性．     

P-增广矩阵与信息的智能动态发现-辨识

利用普通增广矩阵概念与P-集合动态结构交叉,改进普通增广矩阵概念,提出P-增广矩阵,给出P-增广矩阵结构;P-增广矩阵由内P-增广矩阵与外P-增广矩阵共同构成。给出内P-增广矩阵属性定理,外P-增广矩阵属性定理与P-增广矩阵属性定理;给出P-增广矩阵与普通增广矩阵的还原关系。改进P-推理,提出P-增广矩阵推理,给出推理结构;P-增广矩阵推理由内P-增广矩阵推理与外P-增广矩阵推理共同构成。提出属性的P-增广合取范式,给出属性的P-增广合取范式与属性的普通合取范式的关系,提出属性的P-增广合取范式还原定理;给出满足P-增广矩阵推理条件的信息的智能动态发现-辨识定理,最后给出了应用。     

S—粗集理论的研究与应用

本文给出基于S-粗集的单向属性迁移集合,双向属性迁移集合以及单向信息系统的模型;又给出属性迁移的若干性质。从Skowron提出的分辨矩阵的角度出发,给出了S-粗集中的分辨矩阵,并在此基础上提出了基于S-粗集理论上的属性约简算法。最后给出该算法在化学药品合成中的应用。由实验可证明,利用S-粗集的方法对化学药品合成需要考虑的众多因素进行属性迁移与属性约简,找到了对产品合成最重要的属性,在此基础上进行试验,可以降低开发的时间,提高实验的效率和产品收率。     

粗系统与它的粗依赖

利用函数S-粗集(function singular rough sets)，给出粗系统与粗依赖的概念，给出粗系统的依赖性度量；提出粗依赖的序定理，粗依赖的惯性定理和粗依赖的惯性原理；给出粗系统的粗依赖在经济系统投资预警分析中的应用．     

分块矩阵的相关应用

本文主要应用分块矩阵的概念、性质以及分块矩阵的初等变换，对矩阵乘法的秩的定理提出了新的证明方法，并且给出了一类矩阵求逆的接单方法，同时一类特殊矩阵的相似问题。     

基于区间数判断矩阵群信息的集结方法

对群信息的有效集结是群决策过程中重要的技术问题之一．不同类型的群信息有不同的集结方法，针对区间数判断矩阵的群信息，为了能充分挖掘和利用这类群信息的信息资源，提出了将群中各成员的区间数决策信息集结为具有一定可靠度的确定信息的方法原理，给出了这类群信息集结值可靠度的计算模型和修正流程，并通过一个算例验证了该方法的有效性．结果表明，该方法是集结区间数判断矩阵群信息最有效的方法之一．     

基于粗糙信息颗粒的数据挖掘方法研究

大型的数据库和数据仓库中的数据往往是有噪声和不一致的,应用经典的粗糙集理论对其进行数据挖掘处理时,效果不够理想.引入信息颗粒的概念,给出了属性子集引导的信息颗粒的构造方法及基于信息颗粒的知识描述,并应用粗糙集的扩展模型讨论知识的粗糙度问题,提出了基于粗糙信息颗粒的属性约简算法,该算法在给定最小置信度阈值的情况下,可实现对不一致数据集的简洁知识提取.图1,表2,参8.     

多值信息系统的基于相似度的粗糙集模型

在建立一个新的基于相似度的粗糙集模型的基础上,研究该模型的知识约简,并建立了基于相似度的相容矩阵,通过相容矩阵刻画了多值信息系统中的约简问题.     

基于矩阵策略的不完备混合型数据增量式特征选择算法

特征选择是粗糙集理论在数据挖掘等领域中一种重要的应用,如何对动态变化的信息系统进行增量式特征选择是目前粗糙集理论研究的重点。在不完备混合型信息系统中,属性集的不断增加是信息系统动态变化的一种重要形式。首先在不完备混合型信息系统中引入邻域条件熵的概念,并且利用矩阵的方法去表示邻域条件熵;然后针对属性集动态增加的情形,提出矩阵形式的邻域条件熵增量式更新,并且基于这种增量式更新机制给出了相应的增量式特征选择算法;最后,UCI数据集的实验结果表明,所提出的增量式特征选择算法比非增量式特征选择算法具有更高的特征选择性能。     

知识粗糙性的粒度原理及其属性约简

经典的粗糙集理论提出知识是有粒度的并定义了知识粗糙度的概念，但它不能完全区分不同信息粒度所表示的信息量。本文从信息论的角度定义了信息粒度，粒度函数和粒度熵等概念，重点研究了知识粗糙性的粒度原理。提出了一种基于条件粒度熵的属性约简的启发式算法，通过例子分析，表明该算法是有效的。     

基于可变精度粗糙集的规则挖掘矩阵算法

提出了一种基于可变精度粗糙集的规则挖掘矩阵算法,它是一个采用基于分类精确度的粗糙集模型进行决策规则挖掘的新方法,能有效地处理决策表的不一致性。实例结果和实际应用表明该算法是有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路。     

粗糙集理论在通侦信息融合中的应用

信息融合技术的研究对现代通侦信息系统非常重要。作为一种软计算方法，粗糙集理论能有效地分析和处理不精确，不一致和不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。提出了基于粗糙集理论的通侦信息融合方法，结果显示了该方法的有效性。     

结合粗糙集理论与扩张矩阵理论的数据挖掘方法

提出将粗糙集理论、扩张矩阵理论进行有机结合的新方法 ,该方法吸收了两者的优点同时消除了两者的缺点 .实践证明 ,该方法可以十分有效地从数据库中挖掘出准确而精悍的知识 .     

基于可辨识矩阵的属性频率约简算法

阐述了粗糙集理论的基本概念,知识约简是粗糙集理论研究的核心内容之一,将可辨识矩阵中出现次数多少作为属性重要性的判断依据.算法求取的是所有约简结果中的某一个或某一些f当某两个条件属性出现频率相同时)结果,当信息系统的复杂程度较高时,其求解的复杂度大大小于原来的约简方法.