一般二元关系中基于边界域的知识粗糙熵与粗集粗糙熵

不确定性度量是粗集理论研究的重要内容之一。基于信息论,结合Pawlak拓扑思想,提出了一般二元关系（自反性）下基于边界域的知识粗糙熵新定义,修正了粗集粗糙熵的定义。相对于传统粗糙熵,新的知识粗糙熵概念能更准确地度量知识和集合的不确定性,并在此基础上证明了新的知识粗糙熵和修正后的粗集粗糙熵都随知识分辨能力的增强而单调下降。     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题.对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质.这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路.     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题。对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质。这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路。     

粒矩阵与Rough关系矩阵

针对Rough集本身的代数定义和其他各种扩展模型没有提供简捷的计算边界元素数目的算法,笔者定义了粒矩阵和Rough关系矩阵,采用二进制粒矩阵运算代替传统的等价类计算获得上、下近似,灵活高效。从集合论的角度完善了Rough集理论,并在此基础上,提出了基于粒矩阵的知识发现算法,同时举例证明了Rough包含与Rough相等的隶属度函数定义的充要条件仅仅是必要条件。     

基于凸Rough集的数据约简和规则发现研究

为了有效地从凸序列中约简数据和发现知识，解决Rough集集中的凸序列问题，在深入研究凸序列和Rough集理论的基础上，提出了凸Rough集模型，定义了凸Rough集和凸Rough集糊集，给出了凸Rough集糊集的隶属函数和应用凸Rough集进行数据约简及规则发现的算法，最后分析了一个应用案例，验证了模型的可行性，表明应用凸Rough集模型可以更好地进行数据约减和规则发现。     

Rough集理论及其应用发展

论述了Rough集理论在人工智能、认知科学等领域的应用情况，讨论了Rough集理论的发展前景及趋势．论文中较为重要的创新之处的是，基于粗糙神经网络构造了一种从虚拟的场景图像智能化地直接推测符合主观听感的音质效果参数的模型．     

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。     

基于概念格的知识约简算法的实现

探讨了Rough集和概念格的基本理论,将Rough集和概念格模型有机地结合起来,运用Rough集的约简理论提出一种基于概念格的知识约简方法并通过实验进行了验证,结果表明利用Rough集理论对以形式背景形式描述的原始数据集进行约简,可以在一定程度上减小概念格的规模.     

一种度量粗集粗糙性的新方法

结合考虑二元关系产生的知识模块粒度大小及集合X边界的知识粒度对X的粗糙性的影响,利用知识的粗糙熵及粗集的边界熵给出度量粗集粗糙性的新方法—集合的粗糙熵。     

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。     

基于近似精度和条件信息熵的粗糙集不确定性度量方法

基于粗糙集理论的基本不确定性度量方法能够度量知识的不确定大小，却不能区分集合粒度划分大小，利用知识的信息熵，并结合粗糙集精度，定义了一种粗糙熵，用于度量粗糙集中的不确定性．证明了该粗糙熵随着划分粒度的变小而单调增加的性质．新的粗糙熵不仅能度量粗糙集的不确定区域大小而且可以度量划分的大小．算例证明了该方法的有效性．     

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.     

模糊粗糙集的不确定性度量

利用知识的信息熵和粗糙性给出了模糊粗糙集的不确定性度量的方法,讨论了度量指标的相关性质.实例表明,文中给出的度量对研究模糊粗糙集的不确定性具有指导作用.     

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。     

固体表面定向发射率的计算模型与试验研究

根据数值迭代求解固体的光学常数ｎ，ｋ．首先应用经典的电磁场理论对光学表面在远红外波段的定向发射率进行了计算，然后将实际表面模化为由各种不同倾角的Ｖ槽按正态分布随机组成的表面．定义正态变量的数学期望值为该表面的粗糙度，结合经典的电磁场理论，建立了一个定向发射率的计算模型．实测表明，该模型不仅适用于光学表面，也适用于表面粗糙的非金属表面．     

基于极大相容块的粗糙性度量及其属性约简

由于相似关系或相容关系不具有传递性或对称性,从而相容类或相似类之间存在误判,因此研究不完备信息系统中合适粒度下的粗糙性度量和属性约简算法很有必要。在不改变相关模型的基础上,文章通过极大相容块的思想,研究了非等价关系的基本知识粒度构造,进一步讨论了合适粒度下的粗糙性度量方法,提出了基于极大相容块的知识粗糙性更精确的定义和极大相容块的条件信息熵及其属性重要性定义,并证明了相关性质;给出了合适粒度下属性约简的启发式算法,结果表明,极大相容块的重要性度量避免了通常意义下粒度过粗问题,知识粗糙性更为准确。     

粗糙模糊集的关联熵与关联熵系数

在研究模糊集关联熵和关联熵系数的基础上，将关联熵和关联熵系数的概念引入粗糙模糊集，讨论了它们的主要性质，说明关联熵系数可以用于粗糙模糊集之间相似程度的度量．并通过例子证明了粗糙模糊集的关联熵系数比模糊集的关联熵系数更适合用于在分类知识R下模糊集合之间相似程度的比较．     

随机粗糙度与粗相等

在基于随机集的粗糙上近似、粗糙下近似的概念及其简单性质的基础上,定义了随机近似空间上的粗糙度、基于随机集的粗糙集的上粗相等、下粗相等、粗相等、随机粗糙集类和随机粗糙近似空间的概念,并且得出了随机粗糙近似算子的一系列性质、随机粗糙集类和随机粗糙近似空间的一一对应关系等重要的结论。     

基于粗集理论的属性约简算法

结合高压输电线路远程监测系统,在参考粗糙集理论的基础上,结合粗糙熵相关知识,针对复杂系统故障影响因子的特点,提出了一种属性约简算法,最后得出相应的算法规则,解决了复杂信息数据简化的问题。实例证明,该算法是可行的。     

一种基于条件熵的粗糙集连续属性离散化方法

连续属性离散化是粗糙集应用研究的重点内容之一.基于条件熵可以反应属性依赖度的性质,将决策属性对条件属性的条件熵作为离散化标准,提出了一种粗糙集连续属性离散化方法,并通过实例证明了该方法的正确性.