基于覆盖的多粒度决策理论粗糙集模型

经典的多粒度决策理论粗糙集是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到和把握.本文结合多粒度决策理论粗糙集模型,基于覆盖粗糙集理论提出了基于覆盖的多粒度决策理论粗糙集理论,推广了前人的工作.     

局部双量化模糊粗糙集

为了在一定程度上提升模型的实用性与容错率,首先给出程度模糊粗糙集模型和局部程度模糊粗糙集模型的定义,然后,将局部模糊粗糙集模型与局部程度模糊粗糙集模型通过逻辑联结词结合起来,提出局部双量化模糊粗糙集模型,并给出模型的相应性质.最后,通过一个相应的例题说明其有效性.     

变精度下近似算子与程度上近似算子的差运算

定义了变精度下近似算子与程度上近似算子的差运算,研究了其结构与性质,提出了常规算法和结构算法,拓展了程度粗糙集模型和经典粗糙集模型.最后用实例进行了计算与说明.     

邻域系统粗糙集模型

该文从多视角考虑粗糙近似逼近问题,讨论了邻域系统粗糙集模型的性质.将邻域系统粗糙集模型与两种重要的广义粗糙集模型,即可变精度粗糙集和多粒度粗糙集进行了对比分析,分别根据分类错误率和多粒度构建了不同的领域系统.该文研究结果证明了可变精度粗糙集模型和多粒度粗糙集模型是邻域系统粗糙集模型的特例,邻域系统粗糙集模型是一种更为广义的粗糙集表现形式.     

决策粗糙集模型研究综述

主要对决策粗糙集（decision-theoretic rough sets,DTRS）理论的内容与发展概况作综述性回顾。介绍了决策粗糙集的基本理论,包括决策粗糙集产生的背景、决策粗糙集的Bayes决策理论基础、概率粗糙集模型、决策粗糙集模型与经典Pawlak代数粗糙集模型以及一般概率粗糙集模型之间的关系等;讨论了决策粗糙集意义下的三值决策语义以及约简定义,并回顾了决策粗糙集在实际问题中的应用。     

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．     

广义粗集公理化的一个注记

广义粗集理论是基于等价关系的粗集理论的各种拓广。本文讨论了基于一般二元关系的广义粗糙集的公理化,通过实例分析了确定二元关系的必要公理组条件,并给出了各公理组的充分条件。     

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.     

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.     

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。     

模糊粗糙集合

介绍了模糊集合及粗糙集合的概念和特征。说明了模糊集合和粗糙集合之间的联系 ,讨论了模糊粗糙集合概念 ,同时 ,对模糊粗糙集合的补、交、并及等价进行了研究。为模糊集合和粗糙集合的结合建立了基础     

Rough sets: the classical and extended views

The article is a comprehensive review of two major approaches to rough set theory:the classic rough set model introduced by Pawlak and the probabilistic approaches.The classic model is presented as a staging ground to the discussion of two varieties of the probabilistic approach, i.e. of the variable precision and Bayesian rough set models. Both of these models extend the classic model to deal with stochastic interactions while preserving the basic ideas of the original rough set theory, such as set approximations, data dependencies, reducts etc. The probabilistic models are able to handle weaker data interactions than the classic model, thus extending the applicability of the rough set paradigm. The extended models are presented in considerable detail with some illustrative examples.     

粗双枝模糊集的嵌入集的性质

在粗集和双枝模糊集基础上,讨论了粗双枝模糊集的嵌入集的性质;利用模糊集的截集,讨论了粗双枝模糊集的嵌入集的截集性质。     

IS-粗糙集理论及其在医疗诊治中的应用

在S—粗集的基础上,提出IS—粗集(improper singular rough sets)的概念,给出单向IS—粗集(one direction improper singular rough sets)和双向IS—粗集(two direction improper singularrough sets)的概念和它们的数学结构,设计了一个基于双向IS—粗集的医疗诊治知识支持系统,为人工智能技术在医疗诊治领域的应用开辟了一个新的思路.     

粗糙Vague集及其相似度量

对粗糙集和Vague集的概念、知识表示方法进行了研究,提出了粗糙Vague集的概念．研究了粗糙Vague集的相关性质,提出了粗糙Vague集相似度量的方法．     

弱粗数

在弱粗集中给出了弱粗数的定义，弱粗数是模糊数和实数的推广。某些弱粗区间数和弱粗三角数的性质得到了深入的研究。     

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）。     

A game-theoretic perspective on rough set analysis

Determining the correct threshold values for the probabilistic rough set approaches has been a heated issue among the community. Existing techniques offer no way in guaranteeing that the calculated values optimize the classification ability of the decision rules derived from this configuration. This article will formulate a game theoretic approach to calculating these thresholds to ensure correct approximation region size. Using payoff tables created from approximation measures and modified conditional risk strategies, we provide the user with tolerance levels for their loss functions. Using the tolerance values, new thresholds are calculated to provide correct classification regions. This will aid in determining a set of optimal region threshold values for decision making.     

几种新型扩展集合理论

讨论了Fuzzy集、Vague集和Rough集3种重要的边界不确定的扩展集合理论,它们主要用于解决现实中存在的一些不确定性问题。主要介绍了它们的基本思想、最新的研究进展以及应用领域等,并对3种理论的区别和内在联系进行了分析。     

基于模糊近似空间的S-粗集模型研究

基于近似空间,对原始S-粗集模型进行了扩展.提出了基于模糊近似空间的S-粗集模型,讨论了模型的上下近似算子的性质;接着分析了此模型与已有模型的相互关系,最后通过实例对此模型进行了说明.