覆盖粗糙集的模糊度

粗糙集的不确定性度量是粗糙集理论中的关键问题之一.粗糙隶属函数为粗糙集提供了新的解释,并为粗糙集的不确定性度量提供了方法.Tsang对覆盖近似空间中的近似算子进行了研究,提出了一种较已有模型更合理的覆盖粗糙集模型.但是,该覆盖粗糙集的不确定性度量却没有被研究.针对第三类覆盖粗糙集模型,定义了第三类覆盖粗糙集的粗糙隶属函数,并据此定义了第三类覆盖粗糙集的模糊度.     

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。     

覆盖粗糙集的模糊度

粗糙集的不确定性度量是粗糙集理论中的关键问题之一。粗糙隶属函数为粗糙集提供了新的解释,并为粗糙集的不确定性度量提供了方法。Tsang对覆盖近似空间中的近似算子进行了研究,提出了一种较已有模型更合理的覆盖粗糙集模型。但是,该覆盖粗糙集的不确定性度量却没有被研究。针对第三类覆盖粗糙集模型,定义了第三类覆盖粗糙集的粗糙隶属函数,并据此定义了第三类覆盖粗糙集的模糊度。     

变精度多粒度粗糙集的信任结构

多粒度粗糙集是近年来粗糙集理论中的主要研究课题之一.本文介绍了变精度多粒度粗糙集模型的上、下近似算子;其次,借助划分函数把变精度多粒度粗糙集转化成单粒度粗糙集,构建了变精度多粒度粗糙集模型的信任结构,并生成相应的信任函数与似然函数,这些结果有利于完善变精度多粒度粗糙集的数值属性约简理论.     

概率粗糙集的模糊性

从粗糙隶属函数的角度出发,研究了概率粗糙集模型的模糊性度量及其性质;用模糊集的截集的概念描述了变精度概率粗糙集模型。     

一般关系下粗糙集的模糊性

从粗糙隶属函数的角度出发,研究了一般关系下的粗糙集模型的模糊性度量,用模糊集的截集的概念描述了一般关系下变精度粗糙集模型。     

变精度上近似算子与程度下近似算子的差运算模型

探讨精度与程度的复合, 建立并研究新的粗糙集拓展模型.基于精度与程度的逻辑差需求, 提出了变精度上近似算子与程度下近似算子的差运算模型, 得到了变精度上近似算子与程度下近似算子的差运算的宏观本质、精确描述与基本性质.并用一个医疗实例说明了模型的意义和应用.变精度近似算子与程度近似算子的差运算模型, 部分地拓展了程度粗糙集模型和经典粗糙集模型.     

一种基于弱模糊相似关系的广义粗糙集

粗糙集理论是建立在等价关系的基础上发展起来的,但等价关系性质的应用领域是有限的,等价关系不能对现实世界中的元素关系给出客观的描述.为此提出用模糊相似关系和弱模糊相似关系的概念来代替等价关系,同时引入了弱模糊相似关系的相似度概念和相似类概念,定义了基于弱模糊相似关系的广义粗糙集及标准的广义粗糙集上下近似;研究了两对上下近似算子的性质,讨论了3种粗糙隶属函数的性质并验证了它们的性质.     

多粒化粗糙集性质的几个充分条件

多粒化粗糙集是Pawlak粗糙集非常重要的一种推广,主要给出当X是C(C')中任意有限个元素的并集时,乐观多粒化粗糙集(悲观多粒化粗糙集)上下近似对于交并运算的封闭性;得到若X是C'中任意有限个元素的并集,乐观多粒化粗糙集和悲观多粒化粗糙集下近似相等;若~X是C'中任意有限个元素的并集,乐观多粒化粗糙集和悲观多粒化粗糙集上近似相等.     

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.     

关于模糊粗糙集的一个注记

指出文献[6]中定义的模糊粗糙集的补集不再是模糊粗糙集.为了克服原定义中的缺陷,给出了关于模糊粗糙集的新的补集定义,讨论了相应的运算性质.同时还证明:模糊粗糙集其实就是定义在F格L上的L-模糊集.     

直觉模糊粗糙集的公理化

直觉模糊粗糙集的公理系统是直觉模糊粗糙集理论与应用的基础,文章定义了直觉模糊集的2种运算,基于这些运算和直觉模糊粗糙集公理化模型,给出直觉模糊粗糙集新的公理系统;该系统用一条简洁的公理描述了直觉模糊粗糙集,为直觉模糊粗糙集理论研究的深入和完善提供了有益的帮助。     

区间值模糊集上的粗糙近似

提出了区间值模糊粗糙集的上下近似,并且利用区间值模糊集的截集定义了区间值模糊粗糙度量,在此基础上讨论区间值模糊粗糙集和区间值模糊粗糙度量的性质。     

粗糙集代数与MTL代数

讨论粗糙集代数与MTL代数的关系以及由粗糙集代数构造MTL代数的方法.借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子及余运算之后,粗糙集代数就成为MTL代数.     

广义粗集的公理化

粗集理论在数据挖掘等领域得到了广泛的应用，对粗集理论进行推广可得到各种广义粗集。该文研究了广义粗集的多个公理组，证明了公理组中各公理的独立性，并给出了普通粗集理论的另一个公理组，它有4条相互独立的公理组成。     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

基于粗糙集理论的Bayes粗糙模型研究

从经典的概率粗糙集推广模型出发,参照Bayes因子,研究了一种Bayes粗糙集模型,该模型不受先验概率的影响,从而减小了决策失误的风险．     

粗糙集代数与R_0-代数

在粗糙集的代数方法研究中,一个重要的方面是从粗糙集的偶序对(<下近似集,上近似集>)表示入手,通过定义偶序对的基本运算,从而构造出相应的粗代数并发现R0-代数能够抽象刻画偶序对的性质。讨论了粗糙集代数与R0-代数的关系以及由粗糙集代数构造R0-代数的方法,借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子和余运算之后,粗糙集代数就成为R0-代数。     

分级粗糙集和分级知识约简

Pawlak 粗糙集模型认为一个元素要么属于一个集合,要么不属于该集合,要么可能属于该集合,把可能属于该集合的元素的全体称为边界.Pawlak 粗糙集模型对边界的研究较少.文章认为对边界的隶属度差别较小的元素以同一个量级属于边界,从而可按一个对象对边界的隶属量级对边界进行划分.基于这一思想提出了分级粗糙集模型和分级最大分布约简、分级分布约简的概念.给出了这两种约简的判定定理及辨识矩阵以及相应的核属性的等价条件.分级粗糙集模型推广了Pawlak粗糙集及变精度粗糙集模型.     

覆盖广义粗糙集理论中的LF拓扑方法

从LF拓扑学的角度来探讨覆盖广义粗糙集理论,在LF拓扑空间中定义了相对内部和相对闭包,并讨论了它们的基本性质.这些性质不仅对粗糙集理论,而且对于LF拓扑学本身也有重要意义.