基于Vague相似矩阵的分类方法

本文提出一种基于Vague相似矩阵的分类方法，以解决Vague集上的知识分类问题，并定义了所需的概念，设计了详细算法．实验分析表明了该方法的有效性．     

基于覆盖的粗糙Vague集模型研究

在覆盖广义粗糙集模型理论研究基础上,进一步将对象在精确值集方面推广到了更具广泛性的Vague集,提出了基于覆盖的粗糙Vague集的新模型,并且证明了该模型的一些较好的性质.同时考虑到导致覆盖广义粗糙Vague集粗糙性的原因,提出了一种新的粗糙度用于度量该模型的不确定性程度,最后给出相关实例.     

基于Vague集距离的多评价指标模糊决策方法

给出了Vague集的基本概念和Vague集多评价模糊决策的概念，提出了一个新的基于Vague集距离的多评价指标模糊决策方法．在这个方法中，提出了理想方案的概念和候选方案对满足多评价指标的不确定性的概念，利用候选方案与理想方案的Vague集距离来求出最佳方案．     

半群上的Vague粗糙性

基于一般二元关系下的粗糙Vague集,定义了半群上的Vague同余关系,给出了Vague集在Vague关系下的上、下近似,并研究了这个半群上Vague粗糙性.     

基于Vague集的模糊信息融合研究

在分析模糊信息融合局限性，并介绍Vague集概念的基础上，提出了基于Vague集的模糊信息融合方法．给出了该方法的数学描述、数据组织、结果评价等概念及算法实现过程．并以传感器一目标模型为例，演示和分析了该方法的应用及评价过程．从结果看，基于Vague集方法进行模糊信息融合是简易、高效和可靠的．     

UG集与Vague集的内在联系

在剖析UG集与Vague集概念内涵基础上，揭示了它们之间的区别与联系；Vague集利用闭区间[0，1]描述了所研究事物与客观标准的“同、反、非”现象；UG集利用闭区间[-1，1]描述了所研究事物与客观标准的“反、非、同、异”现象；可知UG集的内涵比Vague集的内涵更深刻；用Vague集描述的事物可用UG集描述．于是可用UG集求解问题的方法求解Vague集所能解决的问题；并通过多目标决策例子探讨了用UG集合理论所能解决的问题的具体方法，为拓展UG集的应用前景开拓了新路．     

融合云概念的粗糙Vague集的三支决策模型

Vague集是模糊集的扩展模型，从正反两方面来描述事物的不确定性，粗糙Vague集比粗糙模糊集更具有普遍性。目前，三支决策的阈值主要是由单个专家给出，不能反映认知过程中复杂的不确定性形式。针对这一问题，提出了一种融合云概念的粗糙Vague集的三支决策模型。使用基于密度中心的云概念群决策方法求解损失函数，不仅保证综合评价的精度，还为损失函数提供了新的语义解释。构建了粗糙Vague集的三支决策模型并揭示了其误分类代价随着粒度细化而单调递减的规律。通过实验验证了该方法的可行性，克服了现有模糊集在三支决策中对事物不确定性表达不够清楚的缺点。     

Vague集间新距离的分析和定义

Vague集的相似度量是Vague集在各个应用领域中的关键技术．根据相似工程学原理，指出一个相似度量必须满足的约束条件，提出一种改进的Vague集相似度量公理化定义，然后引入一种新的Vague集相似度量方法，并证明它满足这些公理化条件，最后，用实例说明其应用以及该方法的有效性和直观性．     

基于Vague集的双向近似推理

给出了一种新的Vague集间的上似度量方法，提出了Vague集间相似方向的概念，可以用它来描述两个相似Vague集中哪个所包含的信息更精确，并给出了一个判定方法，在此基础上给出了一种基于Vague集的双向近似推理方法，该方法更好地利用了Vague集信息的精确性，从而提高了推理的精确性和适用性，为智能系统中的近似推理提供了一个十分有用的工具。     

区间Vague集向Fuzzy集转化的一种新方法及实证分析

结合Vague集理论及一些Vague集向Fuzzy集转化的方法解释,对区间Vague集向Fuzzy集转化的方法进行了研究．结合区间Vague值的加权算术和加权几何集成算子,给出了区间Vague集的隶属度,进而给出了区间Vague值的一种有效的排序方法,并通过实例说明其有效性．     

几种新型扩展集合理论

讨论了Fuzzy集、Vague集和Rough集3种重要的边界不确定的扩展集合理论，它们主要用于解决现实中存在的一些不确定性问题。主要介绍了它们的基本思想、最新的研究进展以及应用领域等，并对3种理论的区别和内在联系进行了分析。     

多粒度邻域粗糙模糊集及其不确定性度量

邻域粗糙集是经典粗糙集的一个扩展模型，研究其不确定性度量模型具有重要意义。在邻域粗糙集理论中，当前不确定性度量方面的研究工作主要专注于度量知识空间的粒度大小或边界域尺寸。在邻域系统中，对于目标概念为模糊时的情形，其不确定性不仅来自于邻域粒的边界域，还来自于正域和负域，当前的不确定性度量方法较少考虑这种情形。为此，构建了邻域粗糙模糊集模型，从粒计算的角度出发，进一步提出了多粒度邻域粗糙模糊集模型；针对多粒度邻域粗糙模糊集具有乐观性与悲观性的特点，借鉴Vague集中支持度和反对度的思想，设计了基于模糊度的多粒度模糊熵的不确定性度量方法，不仅符合人类的认知习惯，而且可以有效刻画整个邻域知识空间的结构信息。     

连续Vague集

对存在中立者的投票模型进行了分析,指出Fuzzy集和Vague集在表达此类模糊信息时所存在的不足;根据投票模型中中立者的倾向程度,对中立者的倾向性给出了三种不同方式的赋值方法,即等量赋值为0.5,由支持者和反对者的人数的比例等量赋值以及根据中立者和反对者的比例不等量赋值.由这三种赋值方式提出了三种由Vague集向Fuzzy集的转化方法,并根据第三种转化给出了连续Vague集的定义,最后对连续Vague集的交、并、补等性质进行了初步讨论.     

Rough集与Vague集的对比研究

Rough集和Vague集都是处理不确定、不完备、不准确信息的强大工具。Rough集研究主要针对于对象之间不可分辨的性质，Vague集研究主要针对对象边界的模糊程度。经过分析代数观的Rough集理论和信息观的Rough集理论与Vague集之间的关系，发现信息观的Rough集可以认为是一种特殊的Vague集；而代数观的Rough集与Vague集则是相互独立的，但是两者也有联系。在这2种理论下，信息的不确定性都是由元素部分属于集合而表现出来的，但是这2种理论对不精确信息的处理方法则不同。     

Rough集与Vague集的对比研究

Rough集和Vague集都是处理不确定、不完备、不准确信息的强大工具。Rough集研究主要针对于对象之间不可分辨的性质，Vague集研究主要针对对象边界的模糊程度。经过分析代数观的Rough集理论和信息观的Rough集理论与Vague集之间的关系，发现信息观的Rough集可以认为是一种特殊的Vague集；而代数观的Rough集与Vague集则是相互独立的，但是两者也有联系。在这2种理论下，信息的不确定性都是由元素部分属于集合而表现出来的，但是这2种理论对不精确信息的处理方法则不同。     

模糊粗糙集合

介绍了模糊集合及粗糙集合的概念和特征。说明了模糊集合和粗糙集合之间的联系 ,讨论了模糊粗糙集合概念 ,同时 ,对模糊粗糙集合的补、交、并及等价进行了研究。为模糊集合和粗糙集合的结合建立了基础     

粗双枝模糊集的嵌入集的性质

在粗集和双枝模糊集基础上,讨论了粗双枝模糊集的嵌入集的性质;利用模糊集的截集,讨论了粗双枝模糊集的嵌入集的截集性质。     

IS-粗糙集理论及其在医疗诊治中的应用

在S—粗集的基础上,提出IS—粗集(improper singular rough sets)的概念,给出单向IS—粗集(one direction improper singular rough sets)和双向IS—粗集(two direction improper singularrough sets)的概念和它们的数学结构,设计了一个基于双向IS—粗集的医疗诊治知识支持系统,为人工智能技术在医疗诊治领域的应用开辟了一个新的思路.     

粗糙集的贴近度

为描述两个粗糙集的接近程度，提出了粗糙集贴近度的概念，给出了粗糙集贴近度的基本性质．根据模糊集贴近度的几种具体形式，分别定义了粗糙集的距离贴近度，最大最小贴近度，最小平均贴近度以及格贴近度．     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.