θ-粗模糊集

摘要：提出粗模糊集的θ-包含等价类的概念，给出变精度粗模糊集的一种新定义形式θ-粗模糊集，讨论了θ-粗模糊集的结构及其性质，证明了θ-粗模糊集的截集和模糊集截集的θ-粗集是等价的.     

基于证据理论与变精度粗集的判断矩阵的构造

运用变精度粗集理论,结合专家的群决策,提出了一种新的判断矩阵的构造方法.根据证据理论综合专家群体评价结果,得出各决策因素的条件属性值与分类误差,进而利用变精度粗集的依赖因子,构造具有完全一致性的判断矩阵.在允许一定误差的基础上,尊重了专家意见,且满足了客观性要求.     

基于广义粗集和知识共享的供应链需求预测R5模型

在知识共享前提下,提出了供应链需求预测的案例推理R5模型.此模型以粗集方法进行知识发现,建造和划分案例库,以案例推理管理和应用知识,将广义粗集的数据挖掘功能引入案例推理模式当中,用于指导供应链企业从过去的合作经验中有效学习其合作伙伴的“预测知识”,进而利用新的需求信息进行当前产品的需求预测模型选择.仿真算例表明,将变精度粗集和广义相似关系这两种粗集的泛化形式引入案例推理机制,可以提高推理效率和容错性;利用数据挖掘技术,从相关产品的环境信息及供应链成员的特征参数中发现需求预报的领域知识与深层知识,可以降低知识获取成本及模型选择的主观性.     

变精度粗集模型中变精度值的估计

变精度粗集模型是一种有参数的粗集扩充模型．目前，基于变精度粗集模型知识约简和学习的各种算法中，参数届值都是作为领域的先验知识而被直接引入．而β值不同，约简的结果一般也不同，因此有必要寻求一种方法，实现从原始数据集本身出发完成对β值的估计和选择，从而摆脱β先验知识对结果的影响．结合决策表确定性度量和决策表相对辨识性方法，分别研究了β值的估计和选择以及参数β值对约简结果的影响．通过实例进行了分析，结果表明在利用变精度粗集模型提高系统容错度时，厣值选择是必要的。     

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α（0≤α〈0．5）,给出了变精度广义s-粗集模型及其有关性质定理．通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系．     

单向S-粗集近似精度函数和依赖特性

利用单向S-粗集的动态特性和Pawlak粗集近似精度,提出了单向S-粗集的近似精度和它生成的近似精度函数,讨论并且得到了近似精度函数的数值特性与元素迁移的关系,近似精度和近似精度函数数值特性与属性的依赖之间的关系.     

单向S-粗集近似精度函数和依赖特性

利用单向S-粗集的动态特性和Pawlak粗集近似精度,提出了单向S-粗集的近似精度和它生成的近似精度函数,讨论并且得到了近似精度函数的数值特性与元素迁移的关系,近似精度和近似精度函数数值特性与属性的依赖之间的关系.     

外P-模糊集的截集与扩展粗集模型

P-模糊集是由内、外P-模糊集构成的集合对,内、外P-模糊集是两类不同的动态模糊集。截集方法是研究模糊集理论最常用的方法,提出外P-模糊集的λ-截集、λ-强截集、区间截集及其截集粒度的概念,讨论了外P-模糊集的截集序列粒度定理、区间截集序列粒度定理,给出外P-模糊集区间截集分解定理。利用外P-模糊集粗隶属度函数的概念,给出外P-模糊集A^F的(α_F,β_F)粗集、(1_F,0_F)粗集、(α_F,β_F)概率粗集、(α_F,β_F)的变精度粗集四种粗集扩展模型,讨论了外P-模糊集的(α_F,β_F)粗集定理,并给出其数量特征及关系讨论。     

函数单向S-粗集对偶与F--预测规律发现

函数S-粗集理论是粗集理论的拓展,函数单向S-粗集对偶是函数S-粗集的三类形式之一. 函数S-粗集具有规律特性、动态特性、遗传特性、记忆特性与预测特性. 利用函数单向S-粗集对偶的动态特征, 给出-预测规律、F-预测规律和预测度概念, 提出预测规律的预测定理, 并在通信传输识别系统中给出应用. 函数S-粗集(函数单向S-粗集、函数单向S-粗集对偶、函数双向S-粗集)与信息系统融合、交叉是粗集理论中的一个新的研究方向.     

ε-函数粗集及其在投资组合中的应用

提出基于区间和离散点的函数相似度的概念,给出基于两种不同相似度下的函数聚类的方法。利用所得的函数论域的分类,将函数粗集理论作了推广,得到了ε-函数粗集。建立了经济系统中的投资模型,利用ε-函数粗集作为工具给出了解决如何选择投资组合问题的方法。