双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型，然而，该模型目前还未有三支决策方面的相关研究。针对这一问题，提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念，然后以贝叶斯决策最小化代价为基础，推导出了双论域模糊概率关系下决策区域的三元划分，即三支决策模型，最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

基于双论域的一般多粒度模糊粗糙集

首先定义了各论域上的支撑函数;其次通过支撑函数分别给出了不同论域一般多粒度模糊下上近似算子的定义,建立了双论域的一般多粒度模糊粗糙集模型;此外,还讨论了各近似算子的性质.     

基于一般关系下的双论域粗糙集模型

通过构造性方法对原始的粗糙集模型进行推广,提出了一般关系下的双论域粗糙集模型,并且讨论了该近似空间的上、下近似算子的一些性质,初步探讨了定义在双论域上的某些特殊关系下的近似算子的一些性质.     

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.     

粒度计算中混合属性约简的权重模糊粗糙集模型

针对权重粗糙集模型不能有效处理非平衡混合数据的问题,对权重论域上的各种类型变量进行分析并建立统一的模糊等价关系,提出混合数据上的权重模糊粗糙集模型,并利用该模型构造出带权模糊等价空间上的混合属性约简算法.混合属性约简算法产生的模糊软划分可以克服权重论域上离散硬划分产生的信息损失.在非平衡混合数据集上进行的实验结果表明,与基于权重粗糙集的算法相比,基于权重模糊粗糙集模型的属性约简算法的平均分类精度提高了11.9%.     

局部双量化模糊粗糙集

为了在一定程度上提升模型的实用性与容错率,首先给出程度模糊粗糙集模型和局部程度模糊粗糙集模型的定义,然后,将局部模糊粗糙集模型与局部程度模糊粗糙集模型通过逻辑联结词结合起来,提出局部双量化模糊粗糙集模型,并给出模型的相应性质.最后,通过一个相应的例题说明其有效性.     

双论域的粗糙集模型

通过构造性的方法,对原始的粗糙集模型进行推广,提出双论域上的粗糙集模型,给出了相关的性质。     

双论域区间值直觉模糊vague粗糙集及其应用

区间值直觉模糊集可诱导出vague集和粗糙集，而后两者的结合具有不确定性深入分析的优势.立足双论域区间值直觉模糊粗糙集，引入vague集进行融合扩张，研究双论域区间值直觉模糊vague粗糙集.首先，定义区间值直觉模糊vague相容类，构建双论域区间值直觉模糊vague粗糙集模型，提出关于双逼近近似和三支决策区域的计算算法，并确立该模型的精确度、粗糙度、依赖度.然后，研究该模型的近似算子与不确定性度量的性质.最后，采用医疗例子进行模型计算、度量测量、性质验证，并得到关于患者临床诊断的患病分析与治疗决策.     

基于等价关系的双粒度粗糙集模型

Pawlak粗糙集模型主要关注的是论域上一个等价关系导出的集合的近似,是单粒度的.通过用论域上的2个等价关系定义集合的近似,把单粒度的Pawlak粗糙集模型扩展到双粒度粗糙集模型.研究了双粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是双粒度粗糙集性质的特殊情况,并且使用双粒度定义的近似度量优于单粒度定义的近似度量,该度量更适合描述概念的精度并更利于解决用户的需求.     

两个论域上的粗糙集模型及其应用

主要从标准粗糙集出发介绍了将单个非空有限论域上的粗糙集推广到两个非空有限论域上形成的两个论域上的粗糙集,对其性质进行了讨论,以及该模型在疾病诊断上的应用．     

基于改进BP网络的高校科研项目评价模型

针对高校科研项目评审立项中主观性强的问题,提出了基于改进BP网络的项目评价模型.首先对于传统BP算法,在权值初始化加入混沌序列,并对权值修正过程加权优化,使网络具有收敛快、精度高的优点.然后设计了合理的项目评价指标体系,并给出了具体评价步骤.通过实例仿真说明,提出的改进BP算法用于评价科研项目科学客观,简单实用,有广泛的应用价值.     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

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。     

粗糙模糊子群在满同态下的性质

粗糙集理论是由Plawlak于1982年提出的,模糊集理论是由Zadeh于1965年建立的,粗糙集与模糊集的结合越来越受到学术界的关注．研究了群中模糊集的上、下近似,给出了上、下近似算子的性质,讨论了粗糙模糊子群在满同态下的性质．     

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.     

基于粗集和模糊集的启发式规则约简算法研究

提出了一种新型的决策规则约简方法。基于均匀划分和正态分布隶属度函数,对决策表的连续属性进行模糊化,用欧氏距离贴近度来构建相似矩阵,并提出了一种论域的模糊划分算法;依据粗糙集隶属度进行属性约简的基础上,给出了一种决策规则约简算法,从而达到发掘知识并简化知识的目的。     

广义概率粗糙集模型中近似算子的研究

针对经典概率粗糙集模型的不足,将其论域推广到两个具有相容关系的论域上,借助集值映射分别定义了两种形式的广义概率(I)型和广义概率(II)型粗糙集近似算子,并讨论了相应的数学性质.最后,详细地分析了它们之间的关系.     

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。     

双向S-粗糙模糊集及其应用

利用模糊元素迁移的概念,将静态的模糊集推广到动态的模糊集,得到双向S-模糊集。以此为基础,提出了双向S-粗糙模糊集,给出了双向S-粗糙模糊集的结构。分析了双向S-粗糙模糊集与Z.Pawlak 粗集、Dubois粗糙模糊集以及双向S-粗集之间的关系。给出了双向S-粗糙模糊集的应用。