粗糙模糊集的分解定理及表现定理

讨论了粗糙模糊集的构造性质,给出其分解定理及表现定理。     

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。     

一种新的粗糙模糊集近似算子

Dubois粗糙模糊集中,上、下近似集的隶属度分别由等价类中元素隶属度的上、下确界来确定,由于没有充分反映出等价类中隶属度介于上、下确界之间的那些元素的作用,在信息处理中不免造成这些元素信息的丢失.为此提出一种新的粗糙模糊集近似算子的表示方法,该方法能够涵盖等价类中所有元素的隶属度.阐述了该方法在信息处理中的合理性,给出了相应的代数性质;在此基础上重新定义了粗糙模糊隶属函数;给出新算子下近似分类的精度、分类质量、属性的依赖度及基于依赖度的属性约简算法;最后用实例说明了算法的有效性.     

高型粗糙模糊集及高型模糊粗糙集

定义了L型粗糙模糊集（L型RF集），给出了其相关性质，进而引进了高型粗糙模糊集（高型RF集），它比普通的RF集具有更高层次的粗糙模糊性，可用于人们对粗糙模糊现象的描述，增强人们对自然语言的表达能力，平行地，最后研究了高型模糊粗糙集（高型RF集）。     

基于模糊覆盖的粗糙模糊集模型

构造了基于模糊覆盖的粗糙模糊集模型,从理论上论证了定义的合理性,刻画了模糊覆盖粗糙集的一些基本性质.     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

基于相似度的模糊粗糙近似算子

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.相似度是用于比较2个相似的模糊粗糙集所包含信息的精确性大小的,是模糊集理论和粗糙集理论的热点问题之一.文章利用一种改进的相似度定义了模糊粗糙近似算子,重新定义了粗糙集的一些概念,给出并证明了模糊粗糙近似算子的几个性质.     

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。     

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。     

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 % .     

广义粗糙模糊子群

定义了群中模糊集合基于模糊不变子群的整体近似,并研究了近似算子的性质,讨论了近似算子对于模糊子群的交、并运算的性质;提出了上(下)广义粗糙模糊子群的概念,分析并证明了模糊不变子群成为上(下)广义粗糙模糊子群的条件.     

模糊近似空间中下近似算子的新定义

首先对β算子进行了研究,得到了2个结果,并将β算子扩展为2个矩阵之间的β运算。然后依据β算子及所得结果,给出了模糊近似空间中模糊集下近似的一种解析式定义,并刻画了新定义下的粗糙模糊集的基本性质。最后与刘责龙的定义进行对比分析,举例说明刘的文章中关于截集的一个结果是错误的,并说明新的下近似算子具有一定的优越性。     

基于包含度的模糊粗糙近似算子

1965年,L.A．zadeh提出了模糊集理论,1982年,波兰数学家Z．pawlak提出了粗糙集理论,将二结合而形成模糊粗糙集及粗糙模糊集．利用包含度的概念定义上模糊粗糙近似算子,下模糊粗糙近似算子,边界．并讨论它的性质．     

点态化的模糊粗糙集

给出了Pawlak近似空间和模糊近似空间上点态化的模糊粗糙集的定义,并讨论了它们的一些性质.     

飞机型号研制经验不确定性表达的模糊粗糙特征集方法

针对不确定性知识表达和量化的需要,基于模糊粗糙集理论构建了知识表达的模糊粗糙特征集模型,并将其应用于飞机型号研制经验的不确定性知识表达。实例结果表明,这种方法是合理、可行、有效的。     

基于粗集的模糊聚类方法和结果评估

粗集的决策表的属性包括定量属性和定性属性,针对这种情况,根据一种对象的相似性度量方法,使用模糊聚类方法对粗集对象进行模糊聚类,对聚类结果进行了评估(根据这种聚类方法得到的结果和实际的分类结果进行比较)．在这种相似性度量方法基础上,证明了粗集的等价关系可以被转化为模糊等价矩阵．基于粗集的聚类步骤如下：首先,一个粗集等价关系都可以转化为一个模糊相似矩阵,其次,转化成一个模糊等价矩阵,最后,进行模糊聚类．对此方法进行了实验,并对实验的结果进行评估．实验结果说明了这种方法的简单高效．     

基于模糊集和粗糙集的关联规则挖掘策略

提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性．