基于覆盖的变精度粗糙直觉模糊集模型研究

针对经典的Pawlak粗糙集模型容易受到噪声数据影响的问题,在覆盖概念的基础上,对变精度粗糙直觉模糊集进行研究。首先,通过设定变精度中的两个约束条件(α,β),将其引入到覆盖粗糙直觉模糊集模型中,从而提出基于覆盖的变精度粗糙直觉模糊集模型,又考虑到元素邻域、规则置信度及元素与最小描述之间的关系,定义了有关该模型的4种类型,并且证明了该模型的相关性质,分析了该模型与现有模型之间的关系以及4种模型之间的关系。其次,在所给模型的基础上定义了基于覆盖的变精度粗糙直觉模糊集模型的近似质量和粗糙性测度。最后,通过信用卡申请的实例分析证明了该模型在实际应用中的有效性,并通过改变两个约束条件(α,β)的取值,分析得出较合理的α和β取值范围。     

基于邻域的隶属度覆盖粗糙集模型

通过覆盖粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系.把覆盖粗隶属函数视为论域上的一个特殊模糊集,用它的α-截集和β-强截集的概念,将覆盖粗糙集模型进行推广,提出基于邻域的隶属度的覆盖粗糙集模型,并讨论了其性质.     

相容粗糙模糊集模型

在粗糙模糊集模型中,被逼近的目标概念是一个模糊集,使用的知识是等价关系,即描述对象的属性是离散值的。但在很多实际应用中,描述对象的属性是实数值的。针对这一问题,将粗糙模糊集模型中的等价关系推广为相容关系,提出了相容粗糙模糊集模型。当相容关系退化为等价关系时,相容粗糙模糊集模型即为粗糙模糊集模型。相容粗糙模糊集模型扩展了粗糙模糊集的应用范围。     

变精度覆盖粗糙集模型的推广

基于多数包含关系及误差参数β(0≤β<0.5),提出了基于对象邻域的变精度覆盖粗糙集模型,并讨论了由覆盖所得到的邻域及近似算子的性质.     

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。     

一类覆盖粗糙直觉模糊集模型的模糊粗糙度和粗糙熵

在覆盖粗糙直觉模糊集模型的基础上,将粗糙度和粗糙熵的概念引入到该模型中,研究直觉模糊集的不确定程度,讨论了该度量的相关性质,并通过两个例子证明了直觉模糊集的模糊粗糙度和粗糙熵随着该模型覆盖变细而单调减少。     

基于覆盖的区间值粗糙模糊集模型

将粗糙集与区间值模糊集相结合便可得到区间值粗糙模糊集.通过将经典粗糙集模型中论域上的等价关系用论域的覆盖来替换,建立了基于覆盖关系的区间值粗糙模糊集模型,并给出了该模型下的一些基本性质.     

基于邻域覆盖约简的层次化规则学习算法

在大数据环境下的分类学习中，随着描述样本语义信息的丰富，数据的类别空间结构存在着层次化。然而，现有分层分类算法缺乏可解释性，为此本文提出了一种基于邻域覆盖约简的层次化规则学习算法。该算法框架主要包括：（1）定义了面向层次化结构数据的邻域覆盖约简模型；（2）定义了层次邻域系统中覆盖元的依赖度；（3）提出了一种基于覆盖元依赖度的层次化规则学习前向搜索算法。最后，实验表明本文所提算法的分类性能较优且具有较好的可解释性。     

覆盖概率粗糙集的一种推广

结合覆盖粗糙集和概率粗糙集模型,利用最大描述集的极小邻域,研究一类覆盖概率粗糙集一些重要性质.同时,以覆盖概率粗糙集的不确定性为基础,应用经典模糊熵的概念,探讨覆盖概率粗糙集的模糊性,丰富了覆盖粗糙集理论.     

基于诱导覆盖的粗糙直觉模糊集模型

基于粗糙集和直觉模糊集的信息融合方法是数据挖掘领域的一个热点研究课题.目前众多的融合方法主要针对的是单一覆盖背景下的数据,利用覆盖知识中对元素的定性描述来构造覆盖粗糙直觉模糊集模型.但具有多属性的数据形成的是多个覆盖构成的覆盖族,而已有的覆盖粗糙直觉模糊集模型在处理这类数据具有一定的局限性.在多种属性形成的覆盖族上,利用诱导覆盖的概念,从元素间的相似度的角度出发,建立了覆盖族上基于诱导覆盖的粗糙直觉模糊集模型.讨论了该模型的一些重要性质,同时提出了模糊粗糙度概念和相似度的概念,并在此讨论了新模型的不确定性度量.最后,利用算例说明了新模型及其度量指标在现实具体问题中的有效应用.     

基于区间模糊数的模糊线性回归模型及其应用

以区间模糊数为研究对象建立了模糊线性回归模型,以模糊集之间的测度贴近度为理论依据引入了一种模糊数之间距离的概念,并通过最小二乘原理给出了该模型的参数估计方法,最后结合沈阳市温度变化情况的实际例子给出该模型的应用。     

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。     

矩阵方法计算覆盖粗糙集中最小、最大描述

通过矩阵理论计算覆盖粗糙集中的最小描述和最大描述。首先通过覆盖的矩阵表示,得到几个与覆盖有关的矩阵形式,然后通过上述所得的矩阵以及一种新的矩阵运算,计算出覆盖粗糙集中的最小描述和最大描述。     

基于代数观点的邻域区间集粗糙集模型研究

描述部分已知概念的区间集粗糙集是对经典粗糙集的拓展,其属性值概念由上下边界集来描述,具有较好的不确定性刻画能力,能够有效促进数据挖掘、信息度量和知识发现等实际应用。现有研究主要针对离散型数据对象,不能很好地处理现实世界中大量存在的连续型数据对象,因此区间集粗糙集具有改进的空间。该文引入邻域关系,通过Hausdorff距离函数定义区间集邻域粒子,由此构造邻域区间集粗糙集模型,并从代数观点研究其相关概念及性质,最后用实例分析验证其有效性。     

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。     

直觉模糊语义匹配的相似性度量

首先引用Atanassov直觉模糊集的基本概念和运算,综合考虑其隶属度函数与非隶属度函数两个因素的影响,通过对Zadeh模糊集相似度的计算模型进行扩展,给出了直觉模糊语义匹配的相似度的几种扩展计算方法,即最大最小法、算术平均最小法、几何平均最小法、相关系数法、指数法等,并举例阐明其应用,从而使直觉模糊语义匹配度的计算方法得到进一步拓广。最后,研究了直觉模糊相似关系,证明了直觉模糊相似矩阵的一个定理。     

基于人工神经网络的多媒体语音特征挖掘

提出了一种基于人工神经网络的聋儿语音训练识别的多媒体特征挖掘技术，构造了邻域三层神经元合作竞争的动态运行为神经元模型，实验选取了动态递减函数、动态最小覆盖矩阵和动态确定阈值形成的ＳＯＬＡ挖掘算法，以及聚类分布的网络图技术，解决了聋语音训练系统中基本语音识别的难题。     

[0,1]－拓扑空间中T*分离性的非标准分析方法研究

在非标准扩大模型下,应用非标准分析方法研究了[0,1]－拓扑空间中的T*分离性.首先,利用模糊点的单子及其性质,刻画了T (i＝0,1,2)分离性.其次,借助模糊集的邻域系,提出了模糊集单子的概念,证明了模糊集单子的逼近定理.最后,得到了T (i＝3,4)分离性的非标准刻画.     

多模型自适应前馈解耦控制器

当一类非最小相位系统参数发生跳变时,针对常规自适应控制系统暂态响应差的问题,提出一种基于多模型切换的多变量直接自适应前馈解耦控制器．该控制器由多个参数已知的固定控制器和2个自适应控制器构成．多个固定参数控制器可由系统参数模型通过映射直接得到,并且和邻域一起完全覆盖控制器参数模型集．通过加权多项式矩阵的选择,消除了稳态误差,实现了解耦控制,并给出了全局收敛性分析和覆盖性证明．仿真结果表明,暂态响应和解耦效果得到了提高。     

面向三维残缺点云图像的数据精简方法

为解决残缺点云模型数据精简时边界特征容易失真的问题,以汽车覆盖件中的薄壁类零件为研究对象。提出一种保留残缺点云边界特征的数据精简方法。借助KD-tree建立数据索引结构,获取数据点最近邻,并通过邻域点拟合出微切平面的方法,计算出点云数据的法向量。利用法向量夹角大小关系,选取边界以及孔洞特征点的初始种子点。再根据欧氏距离实现初始种子点的邻域搜索,从而完成边界以及孔洞邻域特征点的提取。根据曲率精简的方法,对非特征点进行数据精简,最后,合并特征点云与非特征点云,实现对残缺点云模型的数据精简。将随机精简法、曲率精简法分别用于点云模型精简处理,结果表明：相比于其他两种方法,所提方法更好地保留了模型边界以及孔洞邻域特征数据点,其标准偏差、曲面表面积变化率优于其他两种方法且变化相对稳定。