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。     

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.     

粗糙集理论在模糊神经网络中的应用研究

应用粗糙隶属度及粗糙神经0元对模糊神经网络进行讨论，得到了一种利用神经网络修正不完善粗糙规则的方法，以及一种粗糙模糊神经网络。以日本大阪湾的COD浓度为例，取得了良好的拟合及预测效果，从而具有广泛的应用前景。     

粗糙集的模糊隶属度表示及其相互关系

利用论域U上任意粗糙集的近似精度ρR(X)定义了基于近似精度的粗糙隶属函数,实现了对任意粗糙集边界域中元素更为准确的刻划.用模糊集的隶属函数进一步揭示了粗糙集的本质.     

模糊贴近度的覆盖粗糙模糊集不确定性度量研究

针对一种覆盖粗糙模糊集的不确定性度量,分析了不确定性的物理含义,给出了一种基于模糊贴近度的度量方法,进而对其性质进行了分析。结果表明该度量方法能客观反映粗糙模糊集不确定性的程度,从定量的角度为刻画粗糙模糊集的不确定性提供了方法。     

粗糙集的隶属度算子

在经典的Pawlak粗糙集模型中,RX是由那些根据知识尺判断可能在X中的U中元素 组成的集合.bnR(X)是由那些根据知识既不能判断肯定在X中又不能判断肯定在～X中的U中元素组成的集合.但元素隶属于RX或bnR(X)的程度却没有给出.提出并定义了一种粗糙集的隶属度算子.对于论域U, x∈U及X U,该算子可计算元素x的依R在X的上近似中的程度,以及依R在X的下近似、边界、负域中的程度,并据此建立了一种基于该算子的粗糙模糊集模型.     

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。     

模糊粗糙集的贴近度

基于模糊集理论中贴近度的定义及模糊粗糙集的有关性质 ,讨论了模糊粗糙集 (FR集 )的贴近度 ,进而给出了模糊粗糙集的距离贴近度、最小最大贴近度、最小平均贴近度以及格贴近度     

覆盖模糊粗糙集近似算子的拓扑性质

通过闭包与内部算子研究覆盖模糊粗糙集的拓扑结构,证明了覆盖近似空间中模糊粗糙集的上、下近似算子分别为一个模糊拓扑的闭包、内部算子;反之,满足一定条件的模糊拓扑的闭包与内部算子也恰为一覆盖近似空间中模糊粗糙集的上、下近似算子．     

模糊粗糙集的不确定性度量

利用知识的信息熵和粗糙性给出了模糊粗糙集的不确定性度量的方法,讨论了度量指标的相关性质.实例表明,文中给出的度量对研究模糊粗糙集的不确定性具有指导作用.     

覆盖广义粗糙集的一般化方法

在覆盖粗糙集理论中,将其模型与经典粗糙集统一是一个非常重要的问题。在覆盖近似空间中通过定义论域上的基于覆盖的等价关系,将覆盖广义粗糙集转化为经典粗糙集,由此将经典粗糙集理论的应用范围拓展到基于覆盖的背景中。分析表明,该方法比已有的基于等域关系转化覆盖广义粗糙集为经典粗糙集更直观且易于理解。最后举例说明了该一般化方法还可以提高目标概念的近似精度。     

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。     

基于覆盖粗糙集的属性约简

利用覆盖粗糙集研究信息系统的属性约简.首先,回顾了覆盖粗糙集的基础知识,然后提出了相关类的概念以及几个相关定理,并且逐步阐述如何用相关类的方法来进行属性约简,最后用例子证明了此方法的可行性,并得出结论.     

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.     

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.     

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。     

外P-模糊集的截集与扩展粗集模型

P-模糊集是由内、外P-模糊集构成的集合对,内、外P-模糊集是两类不同的动态模糊集。截集方法是研究模糊集理论最常用的方法,提出外P-模糊集的λ-截集、λ-强截集、区间截集及其截集粒度的概念,讨论了外P-模糊集的截集序列粒度定理、区间截集序列粒度定理,给出外P-模糊集区间截集分解定理。利用外P-模糊集粗隶属度函数的概念,给出外P-模糊集A^F的(α_F,β_F)粗集、(1_F,0_F)粗集、(α_F,β_F)概率粗集、(α_F,β_F)的变精度粗集四种粗集扩展模型,讨论了外P-模糊集的(α_F,β_F)粗集定理,并给出其数量特征及关系讨论。