基于双论域的一般多粒度模糊粗糙集

首先定义了各论域上的支撑函数;其次通过支撑函数分别给出了不同论域一般多粒度模糊下上近似算子的定义,建立了双论域的一般多粒度模糊粗糙集模型;此外,还讨论了各近似算子的性质.     

一种新的双论域上模糊粗糙集

粗糙集模型的推广一直是粗糙集理论研究的一个热点.该文基于模糊相容关系,定义了双论域上模糊集的上下近似算子,从而得到了一种新的双论域上模糊粗糙集模型,并研究了它的性质.     

双论域区间值直觉模糊vague粗糙集及其应用

区间值直觉模糊集可诱导出vague集和粗糙集，而后两者的结合具有不确定性深入分析的优势.立足双论域区间值直觉模糊粗糙集，引入vague集进行融合扩张，研究双论域区间值直觉模糊vague粗糙集.首先，定义区间值直觉模糊vague相容类，构建双论域区间值直觉模糊vague粗糙集模型，提出关于双逼近近似和三支决策区域的计算算法，并确立该模型的精确度、粗糙度、依赖度.然后，研究该模型的近似算子与不确定性度量的性质.最后，采用医疗例子进行模型计算、度量测量、性质验证，并得到关于患者临床诊断的患病分析与治疗决策.     

悲观的多覆盖模糊粗糙集

在乐观的多覆盖模糊粗糙集的基础上,建立了悲观的多覆盖模糊粗糙集模型.分别讨论了悲观多覆盖模糊粗糙集、基于交的覆盖模糊粗糙集、覆盖模糊粗糙集和乐观多覆盖模糊粗糙集之间的关系.该模型的建立和得到的诸多性质丰富了粗糙集理论.     

基于等价关系的双粒度粗糙集模型

Pawlak粗糙集模型主要关注的是论域上一个等价关系导出的集合的近似,是单粒度的.通过用论域上的2个等价关系定义集合的近似,把单粒度的Pawlak粗糙集模型扩展到双粒度粗糙集模型.研究了双粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是双粒度粗糙集性质的特殊情况,并且使用双粒度定义的近似度量优于单粒度定义的近似度量,该度量更适合描述概念的精度并更利于解决用户的需求.     

多粒度粗糙集近似集的增量方法

利用正确分类率来考虑属性论域同时变化时基于向量矩阵的经典多粒度粗糙集上下近似集的动态近似更新。首先讨论了论域缩小属性增加时,多粒度粗糙集的上下近似算子一些性质的改变,并给出了基于向量矩阵的近似集更新方法;其次讨论了论域缩小属性减少时,相应算子性质的变化,并给出了基于向量矩阵的近似集更新方法。新方法有效地缩小了经典多粒度粗糙集近似集更新时的搜索区域。     

多粒度决策粗糙集模型研究

多粒度决策粗糙集模型是从多角度和多层次进行问题求解的有效方法.乐观多粒度决策粗糙集模型主要对上下近似采用"求同存异"策略进行决策,而悲观多粒度决策粗糙集模型主要对上下近似采用"求同排异"策略进行决策.为了适用于更多的多粒度环境,对上下近似采用不同的策略进行决策,提出了乐观-悲观和悲观-乐观的多粒度决策粗糙集模型,探讨了这两种模型的正确性和合理性,剖析了不同多粒度决策粗糙集模型之间的关系,这将为多粒度决策提供了一个新的视角.     

一般多粒度直觉模糊粗糙集模型

直觉模糊粗糙集和多粒度粗糙集都是近几年来研究的热门课题.首先通过定义Pawlak近似空间中的支撑函数给出了一般多粒度直觉模糊粗糙近似算子的定义,并讨论了一般多粒度直觉模糊粗糙上、下近似算子的性质.其次,研究了一般多粒度直觉模糊粗糙集(λ1,λ2)截集的定义和性质.此外,还研究了一般多粒度直觉模糊集的不确定性度量以及参数(λ1,λ2)的一般多粒度直觉模糊粗糙集的不确定性度量.最后通过淘宝信息反馈的例子验证了模型的实用性和有效性.     

基于一般关系下的双论域粗糙集模型

通过构造性方法对原始的粗糙集模型进行推广,提出了一般关系下的双论域粗糙集模型,并且讨论了该近似空间的上、下近似算子的一些性质,初步探讨了定义在双论域上的某些特殊关系下的近似算子的一些性质.     

交可约粒度空间及模糊粗糙集模型

在模糊覆盖的基础上建立了交可约粒度空间模型,并结合偏序关系的哈斯图,给出一种从模糊覆盖求基的新方法.另外,在交可约粒度空间上,定义了模糊粗糙集的上、下近似算子,并讨论了其相关性质.     

一般多粒度模糊粗糙集模型

通过分析多粒度和模糊粗糙集之间的联系,建立了一般多粒度模糊粗糙集模型。首先,通过定义等价信息系统下的支撑函数分别给出了等价信息系统下的一般多粒度模糊粗糙下近似算子和一般多粒度模糊粗糙上近似算子的定义;其次,为了更好的分析各算子的特性,本文还讨论了等价信息系统下一般多粒度模糊粗糙下、上近似算子的性质。另外,本文经过深入探讨分析等价信息系统下一般多粒度模糊粗糙下、上近似算子之间的关系,研究了一般多粒度模糊粗糙集模型粗糙度和精确度的定义及其性质。最后本文引用淘宝购物这一实例更好的体现了一般多粒度模糊粗糙集模型的实际应用价值。
     

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.     

基于矩阵的多粒度粗糙集粒度约简方法

粒度约简是多粒度粗糙集的重要议题,现存的多粒度粗糙集粒度约简方法以考虑各种形式计算多粒度下的正域为主要的研究方法 .然而对于多粒度粗糙集,因为同时存在悲观视角与乐观视角,不仅下近似会因悲观、乐观视角而产生差异,视角同样会影响上近似的大小.因此,提出一种可以保持多粒度上下近似不变的粒度约简方法,同时考量多粒度粗糙集的上近似与下近似的粒度重要度,基于重要度设计了用矩阵计算粒度重要度的方法,并提出相应的粒度约简算法.在UCI公开数据集上使用对比算法验证了所提算法的有效性和优越性.     

多粒度粗糙集模型

把Pawlak粗糙集模型从经典的单粒度粗糙集模型扩展到多粒度粗糙集模型,用论域上的多个等价关系定义了集合的近似.研究了多粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是多粒度粗糙集的特殊情况,并且使用多粒度定义的近似度量优于单粒度定义的度量,该度量更适合描述概念的精度并利于解决用户需求的问题.     

优势关系多粒度粗糙集中近似集动态更新方法

随着数据的不断变化,从信息系统中获取有用的信息,可有效地为决策提供依据.为此在多粒度环境下,优势关系多粒度粗糙集中粒度增加时,分析了优势关系乐观多粒度粗糙集和悲观多粒度粗糙集近似集动态更新的定理和相关性质,提出了一种优势关系多粒度粗糙集模型中,当粒度结构动态增加时,近似集更新的算法.该算法的基本思想是不需要重新计算粒度结构变化时信息系统的优势类、下近似集和上近似集,只需根据新增粒度结构的相关信息计算所有对象的优势类;然后根据优势关系乐观多粒度粗糙集和悲观多粒度粗糙集中动态更新近似集的相关定理计算近似集,提高了更新效率.通过与传统的静态算法做比较,验证了本算法的有效性.     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

多粒度广义L-模糊可变精度粗糙集

为了更有效地处理不精确性问题,将模糊变精度粗糙集与多粒度相结合,成为研究的热点.在不可交换的广义剩余格的基础上,定义了基于L-模糊近似空间的广义L-模糊可变精度粗糙集中的左下(右下)和左上(右上)近似算子.然后,结合多粒度,给出了基于不可交换的广义剩余格的多粒度L-模糊可变精度粗糙集及其近似算子,研讨了它们的一些性质.该研究在变精度粗糙集研究中具有一定的理论价值,提供了一种新方法,能更加精确地解决实际中的不精确性问题.     

区间直觉模糊粗糙集的公理化

基于单个以及两个论域之间的区间直觉模糊关系,用构造性方法建立两种区间直觉模糊粗糙集模型,并讨论一些相关性质.在此基础上,用公理化方法给出区间直觉模糊粗糙近似算子的公理化描述.     

基于区间值模糊概率测度的多粒度区间值决策粗糙集模型

在区间值模糊概率近似空间中,提出了基于IVF(区间值模糊)概率测度的多粒度IV(区间值)决策粗糙集模型,分别讨论和刻划了平均、乐观和悲观三种情形,结果和算例验证了模型的实用性和广泛性.     

不完备系统中的邻域多粒度粗糙集

以不完备信息系统为研究对象,提出了基于邻域容差关系的乐观多粒度粗糙集和悲观多粒度粗糙集模型,它融合了邻域粗糙集与多粒度粗糙集的方法,亦称为邻域多粒度粗糙集.进一步,对邻域多粒度粗糙集的基本性质进行了讨论,这为采用粗糙集方法处理不完备信息系统提供了新的技术手段.