一般关系下的变精度粗糙集模型

通过分析一般关系下基本粗糙集模型的不足,定义了一般关系下的多数包含关系,借助引入的误差参数α(0≤α＜1/2),给出了一般关系下的变精度粗糙集模型.在该模型中,当α=0时,退化为一般关系下的基本粗糙集模型(Z.Pawlak模型);当|Rs(x)|·α=k时(|Rs(x)|表示元素x后继邻域Rs(x)之基数,k为非负整数),退化为常见的程度粗糙集模型.通过它与一般关系下基本粗糙集模型(Z.Pawlak模型)的比较,可以看出,在引入误差参数α后,能够使尽可能多的有用信息被提取、挖掘.从而克服了基本粗糙集模型中由于要求绝对精确的包含关系而使大量有用信息丢失的现象,并讨论了所给模型的一些性质.最后,在所给模型基础上讨论了一种广义近似空间中集合的相对可辨性、近似依赖和属性约简.     

粗糙集和拓扑空间

研究了粗糙集和拓扑空间的关系,讨论了Pawlak粗糙集模型的拓扑性质,指出Pawlak粗糙集模型等价于一类特殊的正则拓扑空间,该拓扑空间一般不是Hausdorff空间,且一般不具有连通性,还证明了一个一般的二元关系下的粗糙集模型当且仅当它是自反的和传递的时,可定义一个拓扑空间,每一个拓扑空间都是一个特殊的一般关系下的近似空间。     

基于拟序二元关系的粗糙集模型

目的建立一种基于拟序关系的推广的粗糙集模型。方法按照张文修等人在《粗糙集理论与方法》(科学出版社,2001.)中利用一般二元关系R推广Pawlak粗糙集模型的方法进行研究。结果讨论和建立在拟序关系R下的粗糙集模型,并研究了这种粗糙集模型的代数性质。结论给出了这种粗糙集模型成为Pawlak粗糙型模型的充要条件。     

决策粗糙集模型研究综述

主要对决策粗糙集（decision-theoretic rough sets,DTRS）理论的内容与发展概况作综述性回顾。介绍了决策粗糙集的基本理论,包括决策粗糙集产生的背景、决策粗糙集的Bayes决策理论基础、概率粗糙集模型、决策粗糙集模型与经典Pawlak代数粗糙集模型以及一般概率粗糙集模型之间的关系等;讨论了决策粗糙集意义下的三值决策语义以及约简定义,并回顾了决策粗糙集在实际问题中的应用。     

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.     

一种信息系统属性约简新方法

针对现实中的信息系统的不完备缺失属性,以及无法使用Paw lak粗糙集解决属性约简的情况,在经典的Paw lak粗糙集的基础上,引入一般关系下的粗糙集模型,并给出了基于一般关系的信息系统属性约简的定义.为了使不完备信息系统可以得到更好的属性约简,通过对非对称相似关系进行改进,提出了一种基于改进非对称相似关系的粗糙集模型,在此基础上给出了一种新的不完备信息系统的属性约简算法,并用实例说明了其有效性.     

一般多粒度模糊粗糙集模型

通过分析多粒度和模糊粗糙集之间的联系,建立了一般多粒度模糊粗糙集模型。首先,通过定义等价信息系统下的支撑函数分别给出了等价信息系统下的一般多粒度模糊粗糙下近似算子和一般多粒度模糊粗糙上近似算子的定义;其次,为了更好的分析各算子的特性,本文还讨论了等价信息系统下一般多粒度模糊粗糙下、上近似算子的性质。另外,本文经过深入探讨分析等价信息系统下一般多粒度模糊粗糙下、上近似算子之间的关系,研究了一般多粒度模糊粗糙集模型粗糙度和精确度的定义及其性质。最后本文引用淘宝购物这一实例更好的体现了一般多粒度模糊粗糙集模型的实际应用价值。
     

基于相似关系的局部粗糙集模型

粗糙集理论是一种有监督学习模型,一般需要适量有标记的数据来训练分类器,但现实中的一些问题往往存在大量无标记的数据,若标记数据则代价过大。概念近似是粗糙集理论的一个关键所在,基于相似关系粗糙集的提出,扩大了粗糙集理论的应用范围。为了应对大数据标记特性有限和计算效率低的问题,本文介绍了一个相似关系下的局部粗糙集理论模型,提出了具有线性时间复杂度的概念近似模型,理论证明和实例分析验证了基于相似关系的局部粗糙集中概念近似模型的优越性。     

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.     

覆盖粗糙集模型的性质

讨论基于覆盖理论的粗糙集模型的性质,给出了粗糙集生成的拓扑结构,证明了覆盖粗糙集模型与自反、传递关系下的广义粗糙集模型是等价的,并进而得到了覆盖粗糙集模型的公理化描述.     

变精度粗糙集下基于信息熵的属性约简算法

本文针对在Z．Pawlak粗糙集下进行属性约简中存在的问题,在对变精度粗糙集理论下卢下近似约简概念分析的基础上,引入了信息熵,建立了变精度粗糙集意义下的决策表中属性重要性的度量方式,区分了β阈值界定下的“弱不一致信息”与“强不一致信息”的不确定程度,从而刻画了标准粗糙集下正域之外的不一致信息的不确定程度,以该度量作为启发式信息,提出了基于信息熵的β下近似约简的启发式算法．这为不一致信息系统的属性约简提供了理论依据与算法．     

广义粗集公理化的一个注记

广义粗集理论是基于等价关系的粗集理论的各种拓广。本文讨论了基于一般二元关系的广义粗糙集的公理化,通过实例分析了确定二元关系的必要公理组条件,并给出了各公理组的充分条件。     

不完备信息系统中Rough集的扩充模型

经典的Rough集理论所处理的信息系统必须是完备的.为了能够分析处理不完备的信息系统,需要建立新的扩充Rough集模型.对现有的几种比较有影响的Rough集扩展模型进行了分析研究,提出了一种带约束的相似关系Rough集模型,并将这些扩充模型之间的关系进行了分析比较.结果显示,基于约束相似关系的扩充Rough集模型优于基于容差关系的扩充Rough集模型和基于相似关系的扩充Rough集模型,使得对象的划分更加合理,符合人们在处理数据时的直观感觉.     

基于可达关系的Rough集

根据Rough集的思想提出了一种新的基于可达关系的Rough集模型,这种Rough集模型的思想是基于信息粒和可达关系的,比经典的Rough集更一般.除了Rough集原来的应用外,这种Rough集模型还可望有更广泛的应用.基于可达关系的Rough集思想将Rough集思想推广到一般的方法论.     

模糊贴近度的覆盖粗糙模糊集不确定性度量研究

针对一种覆盖粗糙模糊集的不确定性度量,分析了不确定性的物理含义,给出了一种基于模糊贴近度的度量方法,进而对其性质进行了分析。结果表明该度量方法能客观反映粗糙模糊集不确定性的程度,从定量的角度为刻画粗糙模糊集的不确定性提供了方法。     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

Vague集、模糊集和粗糙集的内在联系及其转化

研究了Vague集、模糊集与粗糙集之间的内在联系和互相转化．证明了：对于给定的粗糙集，可以在它的幂集上定义一个伴随的Vague集（模糊集）；反过来，给定的一个Vague集（模糊集），可以定义它伴随的粗糙集．另一方面，在一个粗糙集系统给定的两个等价关系之间，可以定义它们的相对Vague集（模糊集）；同一个论域上的两个不同的Vague集（模糊集）可以定义它们的相对粗糙集，从而利用粗糙集方法研究它们之间的相对关系．     

粗糙集代数与MTL代数

讨论粗糙集代数与MTL代数的关系以及由粗糙集代数构造MTL代数的方法.借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子及余运算之后,粗糙集代数就成为MTL代数.     

A note on rough set and non-measurable set

It is proved that rough set is equivalent to non-measurable set in measure theory. Hence, rough set is not a new concept in some sense. At the same time, we defined the measurable degree of a set by inner measure and outer measure. Its special case is the accuracy measure of rough set.     

基于随机集的粗糙集模型（Ⅱ）

为了说明粗糙订理论在不完备信息系统中的应用,给出了基于随机集的粗糙集方法,提出了不完备信息系统的随机粗糙集的描述,讨论了不完备属性的随机集选择与系统的完备化的关系,并且介绍了一个求不完备属性的最大熵概率测度的算法。