粗糙模糊数的分解定理和表现定理

粗糙集理论和模糊集理论都是研究信息系统中知识的不完善、不准确问题 ,前者基于信息系统中知识的不可分辨性 ,后者基于信息系统中知识的模糊性 ,将二者结合形成了粗糙模糊集 .讨论了粗糙模糊数(RFN)的构造性质 ,给出了粗糙模糊数的分解定理及表现定理 .     

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     

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.     

不完备模糊信息系统

以不完备模糊信息系统为研究对象，建立了其中的模糊相容关系及模糊粗糙上、下近似集。在此基础上，探讨了论域上的模糊覆盖问题并提出了覆盖的3种运算形式；定义了2种新的模糊粗糙熵以讨论不完备模糊信息系统中的不确定性因素，证明了不确定因素的变化与度量强度之间的重要关系；建立了一种度量部分模糊知识依赖的新方法，获得了一些新的定理结果证明。     

粗糙模糊集的粗糙性度量

粗糙集理论和模糊集理论是处理不确定和不精确问题的两种数学工具,它们有很强的互补性,将这两种理论相互融合可以建立粗糙模糊集模型。本文在概率近似空间上研究了粗糙模糊集的粗糙性度量,定义了知识的粗糙度概念,并将它与模糊集的粗糙度相结合给出了粗糙模糊集粗糙性的一种新的度量,验证了该度量的一些性质。     

基于相似度的模糊粗糙近似算子

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具.相似度是用于比较2个相似的模糊粗糙集所包含信息的精确性大小的,是模糊集理论和粗糙集理论的热点问题之一.文章利用一种改进的相似度定义了模糊粗糙近似算子,重新定义了粗糙集的一些概念,给出并证明了模糊粗糙近似算子的几个性质.     

一种新的覆盖粗糙模糊集的模糊度

目的研究第三类覆盖粗糙模糊集的不确定性度量方法。方法通过引入上下近似的标准差作为权重的度量标准,定义了一种新的覆盖粗糙模糊集的加权平均模糊度。结果该模糊度符合模糊度的定义,能够衡量覆盖粗糙模糊集的不确定性程度。结论改进了罗世尧关于覆盖粗糙模糊集模糊度的计算方法,使之更为实用和有效。     

模糊等价关系下的犹豫模糊粗糙集及其应用

首先通过对长度不同的犹豫模糊元进行补齐来定义犹豫模糊集新的交并运算,在Pawlak近似空间中利用新的运算建立粗糙犹豫模糊集模型;然后将Pawlak近似空间推广到一般犹豫模糊近似空间,利用犹豫模糊元间的相似度获得犹豫模糊近似空间中对象间的模糊关系矩阵,再利用模糊集的传递闭包法将模糊相似矩阵转化成模糊等价矩阵,在此基础上建立犹豫模糊信息系统中的粗糙集模型,研究犹豫模糊信息系统的属性约简。最后通过一个算例来说明犹豫模糊信息系统的属性约简方法。     

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。     

模糊粗糙集粗糙熵的修正

在粗糙集理论中,由于用模糊粗糙熵去度量RF集的不确定性更具有直观性,所以如何利用香农信息熵理论定义模糊粗糙集的熵的度量,是一个值得研究的问题.结合知识粗糙性和信息熵给出了模糊粗糙集的熵的度量新定义,并对其一些性质进行了讨论.     

粗糙模糊数的贴近度

首先讨论了粗糙模糊数(RFN)的性质和运算法则，进而定义了粗糙模糊数的贴近度，在此基础上，分别给出了粗糙模糊数的距离贴近度，最大-最小贴近度，最小平均贴近度以及格贴近度，可用于在实际问题中对模糊信息的表述及信息加工。     

模糊粗糙集的贴近度

基于模糊集理论中贴近度的定义及模糊粗糙集的有关性质 ,讨论了模糊粗糙集 (FR集 )的贴近度 ,进而给出了模糊粗糙集的距离贴近度、最小最大贴近度、最小平均贴近度以及格贴近度     

粗糙模糊集的分解定理及表现定理

讨论了粗糙模糊集的构造性质,给出其分解定理及表现定理。     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

模糊粗糙集的分解定理及表现定理

讨论了模糊粗糙集（FR集）的构造性质,给出其分解定理及表现定理。     

粗糙集和模糊集的比较分析

介绍了模糊集和粗糙集各自的理论和特点,并讨论了模糊集和粗糙集的各自优点和缺点,有机将两种理论结合起来分析了模糊粗糙集、粗糙模糊集及粗糙隶属函数的性质及应用,引入变精度思想,在粗糙模糊集上定义其上下近似。     

基于模糊数模糊集的聚类分析

提出了模糊数模糊集及模糊相似矩阵的概念,建立了基本模糊数模糊集的聚类分析理论,并引入了分类可信度的概念。     

基于随机模糊集的粗糙集模型

为处理人工智能、不精确性和不确定性等问题，综合随机集和模糊集两类集合的优点，提出一种新的粗糙集模型一基于随机模糊集的粗糙集模型．利用随机模糊集定义了一种近似算子，并给出了这种近似算子的一些重要性质．     

粗糙集与模糊集的比较研究

近来许多研究致力于不确定性问题的知识获取，不确定产生于许多方面：它可以来自于对事物进行描述的术语的模棱两可；也可以来自描述过程中对规则的怀疑；或者数据的错误、丢失．处理不确定性问题的理论有很多，粗糙集与模糊集都是有效手段，它们有联系有区别，可以相互补充有机结合起来解决更多问题．