基于模糊化邻域系的粗糙近似算子(Ⅱ)——公理刻画

研究了基于模糊化邻域系的粗糙近似算子的公理刻画问题.特别地,通过一组公理集分别刻画了由串行的、反身的、一元的和传递的模糊化邻域系生成的粗糙近似算子.     

基于模糊-粗糙模型的逼近精度分类规则提取策略

为了处理具有连续属性的决策系统,利用模糊理论与粗糙理论在处理不确定性问题方面的差异性,提出一种基于模糊-粗糙模型的逼近精度分类规则提取策略.首先利用模糊π函数对决策系统中的连续属性构造三个模糊参数进行模糊化,从而确定条件属性的模糊区域;再根据模糊相似关系构造模糊相似矩阵,然后基于模糊等价类划分的概念,提出了利用逼近精度近似度量的数据挖掘方法进行属性约减,最后应用实例说明如何在决策表中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.     

粗糙集理论中粗糙函数定义的改进及粗糙导数性质的证明

对二元、n元粗糙函数、k阶粗糙导数的定义进行了改进,给出了一元、二元粗糙导数的性质,并对一元、二元、n元粗糙导数的性质给出了较详细的证明.     

知识论域、知识拓扑与集合邻域

定义了知识论域和知识拓扑，组建了4种拓扑空间，分析了它们的联系．从拓扑算子与近似算子的复合、近似邻域、拓扑不变性质3个方面研究了各个拓扑空间的性质，提出了集合邻域的概念，研究了它与点邻域的深刻联系和对一般拓扑空间的作用，并以它为手段研究了新组建的拓扑空间．     

基于粗集理论的决策规则提取方法

本文利用一致性规则进行属性的规则泛化。在归类优选问题上,采用样本先与值核属性匹配,而后再与非值核属性匹配,对于无匹配的样本采用相似条件向量的方法对缺损数据进行归类优选。     

粗糙集方法在基于属性分类中的应用

介绍粗糙集基础上的属性分类系统的构造,给出一种数据挖掘中新的分类方法:从初始的数据信息出发,依次构造约简属性集,并对其使用Bayes判别法进行基于属性的分类。最后给出了实例,验证算法的可行性。     

基于粗糙集理论的系统建模方法

根据粗糙集理论，提出了粗糙集建模的方法，并给出了建模步骤：首先采集系统的输入输出样本集，建立决策表，然后根据相对约简求出属性的重要性，由其重要性得出决策的最简形式，从而得到系统的粗糙集模型。以线性系统为例建立了粗糙集仿真模型，验证了模型的有效性。仿真结果表明，在开环条件下建立的一阶系统粗糙集模型，能适应于开环和闭环，也能适应于可变的输入信号；二阶系统模型只能适应于建模时的情况。该建模方法可以推广到非线性系统的建模中。     

基于粗糙集理论的复方拆方研究

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，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策和分类规则．因此，将粗糙集理论引入复方拆方，将有助于从复方配伍的动态性和不确定性的本质上去深入而确切地开展方剂配伍规律的量化研究，从而改变药味与药效之间的分离状态．     

基于克隆选择的粗糙集属性约简方法

基于免疫克隆选择的原理，提出了一种新的粗糙集属性约简方法，将属性集合的分类近似质量作为进化目标，利用免疫反应的分布性特点通过局部并行搜索实现全局优化，并采用抗体更新和亲和力抑制手段来维持群体的多样性，保证了各抗体局部优化解的稳定性，从而获得了多个优化约简集合，通过机械故障诊断数据的实例应用，表明该方法可以获得多个符合分类质量要求的属性约简集合，因此满足了设备故障诊断的特征优化选择要求。     

基于粗糙集理论的图像中值滤波

介绍了粗糙集理论的概念，利用粗糙集理论进行了图像中像素值的分类，提出了一种基于粗糙集理论的图像中值滤波算法，进行了仿真试验，并和传统的图像中值滤波结果进行了视觉上的比较和峰值信噪比指标的比较。实验结果和峰值信噪比指标表明，该算法能有效地滤除图像中的随机脉冲噪声和椒盐噪声，还能使图像保持很好的清晰度。