包含度及其在人工智能中的应用

不确定性推理是人工智能中的关键问题。在总结各种不确定性推理方法的基础上，引进了包含度的概念，并给出了包含度的几种生成方法，指出了包含度在专家系统的检索与推理中的应用。     

广义模糊粗糙集的包含度和相似度

模糊粗糙集是目前数据挖掘领域关注的热点之一，作者在Pawlak粗糙集模型基础上，把一个论域推广为两个论域；把等价关系推广为模糊关系，被近似对象换成模糊集，得到广义模糊粗糙集模型，建立了广义模糊近似空间。在广义模糊近似空间中定义了广义模糊粗糙集上的包含度和相似度，并讨论了此包含度和相似度相关性质。     

基于粗糙集和包含度理论的决策规则提取方法

粗糙集理论是一种处理模糊和不确定知识的数学工具，正越来越被人们所重视．首先介绍了集值信息系统和粗糙集理论的相关知识，说明经典信息系统可以作为简单的集值信息系统处理。然后在集值信息系统中，以粗糙集理论为基础，引入包含度的概念，介绍包含度的几种生成方法，建立包含度的知识发现方法，最后通过具体的例子说明这种决策规则提取方法是有效的．     

线性模型信息准则的稳健性

在不需要假定：１）被选模型包含真实模型；２）误差分布为正态分布的条件下，应用作者定义的广义Ｋ－Ｌ差异度，得到了自变量选择的广义Ｋ－Ｌ差异度准则。这个准则包含了所有信息准则作为它的特例，由此说明信息准则具有稳健性。     

基于分类的模糊支撑向量机

基于分类的支撑向量机可以通过训练，找到2类训练点的分界面．一般2类点都是确定的，但是，在实际情况中，训练点不可能很确定的属于某一集合(具有模糊性)，使得每个训练点包含的信息量也不同，传统的支撑向量机算法无法处理这类问题．给每个训练点定义了点模糊度概念，利用点模糊度来度量它包含的分类信息，由此确定点在训练中所占的权重，使包含不同信息量的训练点，在训练中起不同作用，从而得到了一种有效处理包含模糊训练点的算法．     

BCK-代数上的包含度

本文将张文修提出的包含度引入BCK-代数中,证明了一类BCK-代数的包含度的存在性,给出了BCK-代数上包含度的基本性质,刻划了BCK-代数拟紧性的特征．     

BCK-代数上的包含度及其收敛性

本文研究了BCK-代数中的包含度若干性质，讨论了网φR的上下收敛性．     

基于包含度理论的面向属性(对象)概念格构造

目的将包含度理论用于形式背景的研究中。方法根据包含度理论定义了一对基于形式背景的算子。结果利用算子可以构造面向对象概念格和面向属性概念格。结论利用包含度构造了面向对象概念格和面向属性概念格。     

强包含度公式的若干注记

给出了 Ｃ． Ｃ． Ｗ ａｎｇ 和 Ｈ． Ｓ． Ｄｏｎ 定义的强包含度公式的改进形式,指出该公式和 Ｋｏｓｋｏ 定义的强包含度公式在性质上的差异。定义了基于模糊积分的强包含度公式。     

包含度理论及应用

在［１］的基础上,进一步讨论包含度与相似度的关系及一些生成方法,并讨论了借助包含度理论构造合成公式的问题．     

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。     

Rough sets: the classical and extended views

The article is a comprehensive review of two major approaches to rough set theory:the classic rough set model introduced by Pawlak and the probabilistic approaches.The classic model is presented as a staging ground to the discussion of two varieties of the probabilistic approach, i.e. of the variable precision and Bayesian rough set models. Both of these models extend the classic model to deal with stochastic interactions while preserving the basic ideas of the original rough set theory, such as set approximations, data dependencies, reducts etc. The probabilistic models are able to handle weaker data interactions than the classic model, thus extending the applicability of the rough set paradigm. The extended models are presented in considerable detail with some illustrative examples.     

基于灰色信息系统的优势关系及其属性约简方法

针对现实生活中的大部分信息是缺省的和属性取值不确定性的情况,首先引入了区间灰集概念,并在其基础上对不完备信息系统进行了研究,讨论了区间灰集信息系统基于优势关系下的属性约简,提出了基于区间灰集的可能度与优势度,进而利用其对对象进行排序,并通过引入阀值,使排序达到了人的主观要求与客观实际更高层次上的一致,最后通过实例说明如何求属性约简集以及利用约简集排序是合理的.     

多粒度邻域粗糙模糊集及其不确定性度量

邻域粗糙集是经典粗糙集的一个扩展模型,研究其不确定性度量模型具有重要意义。在邻域粗糙集理论中,当前不确定性度量方面的研究工作主要专注于度量知识空间的粒度大小或边界域尺寸。在邻域系统中,对于目标概念为模糊时的情形,其不确定性不仅来自于邻域粒的边界域,还来自于正域和负域,当前的不确定性度量方法较少考虑这种情形。为此,构建了邻域粗糙模糊集模型,从粒计算的角度出发,进一步提出了多粒度邻域粗糙模糊集模型;针对多粒度邻域粗糙模糊集具有乐观性与悲观性的特点,借鉴Vague集中支持度和反对度的思想,设计了基于模糊度的多粒度模糊熵的不确定性度量方法,不仅符合人类的认知习惯,而且可以有效刻画整个邻域知识空间的结构信息。     

一种由三角模诱导的粗糙集间的相似性度量方法

首先介绍了粗糙集、模糊集与三角模的概念,接着指出利用三角模可以诱导出相应的包含度,进而可得到一个相似度,提出了一种利用三角模对粗糙集间的相似性进行度量的新方法.最后借助算例验证了该方法的可行性.     

融合云概念的粗糙Vague集的三支决策模型

Vague集是模糊集的扩展模型，从正反两方面来描述事物的不确定性，粗糙Vague集比粗糙模糊集更具有普遍性。目前，三支决策的阈值主要是由单个专家给出，不能反映认知过程中复杂的不确定性形式。针对这一问题，提出了一种融合云概念的粗糙Vague集的三支决策模型。使用基于密度中心的云概念群决策方法求解损失函数，不仅保证综合评价的精度，还为损失函数提供了新的语义解释。构建了粗糙Vague集的三支决策模型并揭示了其误分类代价随着粒度细化而单调递减的规律。通过实验验证了该方法的可行性，克服了现有模糊集在三支决策中对事物不确定性表达不够清楚的缺点。     

多粒度粗糙直觉模糊截集的研究

直觉模糊集和多粒度粗糙集的融合是一个研究热点.针对多粒度粗糙直觉模糊集的表示问题,根据直觉模糊集的分解定理和截集理论,构造了乐观和悲观多粒度粗糙直觉模糊集模型,定义了乐观和悲观多粒度粗糙直觉模糊集上下近似集,并证明了多粒度粗糙直觉模糊集的一些性质,同时提出了一个新的直觉模糊集的相似度公式.最后通过小麦长势评估实例,分析讨论了乐观和悲观多粒度粗糙直觉模糊集模型的有效性.     

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     

Pessimistic Rough Decision

<正>With granular computing point of view,this paper first presents a novel rough set model with a multigranulation view,called pessimistic rough decision,where set approximations are defined through using consistent granules among multiple granular spaces on the universe.Then,we investigate several important properties of the pessimistic rough decision model.With introduction of the rough set model,we have developed two types of multigranulation rough sets(MGRS):optimistic rough decision and pessimistic rough decision. These multigranulation rough set models provide a kind of effective approach for problem solving in the context of multi granulations.