模糊目标信息系统上的逻辑及决策规则

基于模糊目标信息系统模型，并结合粗糙集相关的逻辑理论，提出了模糊粗糙决策语言FRDL，给出了FRDL中公式的定义、语义、可满足性有效性的形式化描述以及相关的性质。在此语言的基础上，给出了模糊目标信息系统上的决策规则、逆决策规则形式化描述和构造方法。FRDL所描述的逻辑表达方法以及规则推理公式为建立在模糊目标信息系统之上的决策支持系统、推理机提供了形式化的表示和推理方法。最后，在眼科近视诊断上进行的数据实验表明，这种形式化描述和推理方法比较合理。     

一种新的基于决策熵的决策表约简方法

分析了在知识约简过程中经典粗糙集理论决策表知识约简方法的不足。以知识粗糙熵为基础,将一致和不一致对象分开,提出决策熵的概念及其属性重要性,在此基础上给出约简的判定定理;然后以条件属性子集的决策熵来度量其对决策分类的重要性,提出一种新的知识约简启发式方法。理论分析和实验结果表明,基于决策熵的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简。     

不完备信息系统的知识获取

介绍了在不完备模糊信息系统中知识获取的一种方法.应用这种方法能够将不完备系统转化为模糊信息系统,然后利用模糊粗糙集理论,让隐藏在不完备信息系统中的知识以决策规则的形式表示出来.     

Fuzzy信息系统

通过描述在现实世界更为有用的，且对称性与传递性一般不再成立的模糊-相似关系，将传统的信息系统推广为Fuzzy信息系统．进一步地，通过模糊函数的依赖关系给出Fuzzy信息系统属性集之间的依赖性的定义．     

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.     

基于粗糙近似空间中的模糊信息表示

粗集理论与模糊集合理论都是研究信息系统中知识不完备、不准确问题，两者都可利用观测数据表达知识，进行推理。针对传统粗集环境下知识表示模型用固定的属性集来描述对象这一局限，提出利用模糊属性模型对知识表达系统进行信息描述，并给出了模糊属性模型下对象及其上下近似空间的模糊表示。     

矿山设备选型的多属性决策模型

为了选择到性价比最优的矿山设备,综合考虑设备的多个属性,建立多属性决策模型。该模型以属性标准化为基础,利用模糊粗糙集确定属性权重,比较设备的属性值与参考值,最终确定与期望值偏离最小的方案为最优方案。以购买气动凿岩机为例,分析多属性决策的有效性。结果表明：该模型能够综合平衡各个指标,设备排序明确合理,优化了矿山设备的选型决策。     

模糊广义决策信息系统的证据特征与信任约简

探究模糊广义决策信息系统的证据特征和信任约简.首先,给出模糊广义决策信息系统中的模糊上、下近似算子及其相关性质.然后,基于证据理论探讨模糊广义决策信息系统的数值特征,并在模糊广义决策信息系统中,利用证据理论中的模糊信任和模糊似然函数对模糊近似集进行刻画.最后,根据模糊信任函数定义的属性重要度,提出模糊广义决策信息系统信任约简的算法,并给出实例验证其有效性.     

基于模糊度的决策树生成算法

在处理不确定问题中,生成模糊决策树是一种常用的方法.其算法主要包含2个步骤,一个是树的生成条件,主要是确定扩展属性的选择标准,并以此为核心得到生成模糊决策树的启发式算法.另一个则是树的终止条件,否则会造成树的过度拟合的情况.目前,典型的算法中通常利用粗糙模糊依赖度作为选择扩展属性的依据,但是这个依赖函数不具备单调性,从而导致算法有不收敛的可能,基于这个问题,给出了模糊度的定义,重新定义了模糊依赖度和模糊粗糙度,选择模糊依赖度最大的条件属性作为根结点;然后,使用模糊粗糙度作为叶子结点的终止条件;最后,通过实例说明了整个模糊决策树的归纳过程.     

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。     

一种基于互信息的粗糙集知识约简算法

针对粗糙集理论核心内容之一的知识约简问题,该文提出了一种改进的互信息的属性约简算法。该算法结合信息论中信息熵与互信息的概念定义了粗糙集里的一种新的属性重要度,并以此属性重要度为启发式信息进行属性约简。实验分析表明:在大多数情况下,该种算法都能够得到决策表的最小约简。     

决策表决策值的简化

首先定义了决策规则决策属性的简化,并以此为基础定义了决策表决策值的简化,旨在研究决策表条件值简化的对偶问题,即在保持决策表条件属性集不变的前提下它的条件属性集和决策属性集之间的最简函数关系。在这些定义的基础上,给出了决策规则决策属性简化的表达式和决策表决策值简化的表达式。     

粗集理论中的决策表条件属性的简化

根据粗集理论,给出一些概念的新的形式定义,包括决策表、决策表的正区、决策表条件属性的简化、等价关系族对前件Ⅱ型简化等,并讨论了几个等价关系,包括决策表的正区与等价关系族对正区的等价性,决策表条件属性的简化和等价关系族对前件Ⅰ型简化的等价性,协调决策表条件属性的简化和等价关系族对前件Ⅱ型简化的等价性等．     

高型粗糙模糊集及高型模糊粗糙集

定义了L型粗糙模糊集（L型RF集）,给出了其相关性质,进而引进了高型粗糙模糊集（高型RF集）,它比普通的RF集具有更高层次的粗糙模糊性,可用于人们对粗糙模糊现象的描述,增强人们对自然语言的表达能力,平行地,最后研究了高型模糊粗糙集（高型RF集）。     

集值信息系统中基于证据理论的规则提取

为了提高在集值决策信息系统中最优广义决策规则的获取速度,借助证据理论这一处理不确定性问题的有力工具,将证据理论应用到集值信息系统中,定义了集值信息系统在相似关系和优势关系下的基本概率分配函数,提出一种基于基本概率分配函数的最优广义决策规则获取方法。最后用实例说明了这种方法的有效性,并且有效地降低了时间复杂度。     

模糊规则挖掘的粗糙集约简算法

基于粗糙集理论，改进了C-D分辨矩阵，并设计了计算条件核属性的方法。通过分析指出了第二种条件核属性的计算方法，可以避免求取C-D分辨矩阵，降低程序的复杂度。以条件核属性为基础，提出一种适用于获取模糊规则的数据约简算法，并通过仿真研究说明了该数据约简、模糊规则挖掘方法的有效性。     

随机信息系统的约简

利用不协调信息系统的分布约简方法讨论了不协调的随机目标信息系统的约简方法,说明了通过恰当地构造信任测度与似然测度,随机目标信息系统的约简可以通过计算信任测度或者似然测度得到。     

一种决策树增量学习算法在故障诊断中的应用

在决策树增量学习算法ID5R上,结合粗糙集理论较强的简化知识、缩小知识库空间的能力,提出了一种增量学习方法,该算法在面对新事例时,能够先对新知识与知识库内容进行比较,将其中已为知识库所有的知识进行压缩,仅对其余部分学习,该过程能够有效减少新示例学习过程的消耗.同时针对知识获取的瓶颈问题,将其应用于故障诊断的知识积累过程中,并通过一个柴油机油样光谱分析故障诊断的算例,验证该算法的有效性.     

连续量信息表决策值的离散化方法

在用粗糙集理论解决连续系统的问题时，要求信息表必须是离散值．在对由连续量构成的信息表离散化时，首先要对决策属性的值域进行离散化。文中针对这一问题提出了3种确定离散化区间的方法，即经验分割法、等频分割法和等距分割法；又提出了2种求区间离散值的算法，即区间重心法和区间值平均法，并通过算例验证这些算法均是可行的，其中等距分割法中的区间值平均法效果最为满意。     

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．