双论域粗糙集的不确定性度量

为了进一步扩展粗糙集的应用范围和灵活性,利用构造性方法研究了双论域粗糙集的不确定性度量,分析了双论域粗糙集不确定性度量与由双论域粗糙集诱导的Pawlak粗糙集的粒度之间的关系.通过比较Pawlak近似空间中粒度的大小,定义了不同信息系统中关系的粗细程度,给出了反映信息系统分类能力的双论域粗糙集信息熵和信息粒度的定义,研究了双论域粗糙集信息熵和信息粒度与信息系统中关系的粗细程度之间的关系.结果表明：双论域粗糙集的信息熵越大,信息系统的不确定性越强,信息系统中关系的区分能力越弱;信息系统的关系越精细,双论域粗糙集的信息熵越小,双论域粗糙集的信息粒度越小.     

双论域上的决策粗糙集模型及其刻画

在决策粗糙集的基础上,对论域进行了拓展,构造了双论域上的决策粗糙集模型.依据条件概率构造了双论域上决策粗糙集的上、下近似集,并得到相应的正域、负域和边界域的定义;讨论了双论域上决策粗糙集模型的一些基本性质;通过实例给出了双论域上决策粗糙集模型在医疗诊断系统中的应用.     

两个论域上的粗糙集模型及其应用

主要从标准粗糙集出发介绍了将单个非空有限论域上的粗糙集推广到两个非空有限论域上形成的两个论域上的粗糙集,对其性质进行了讨论,以及该模型在疾病诊断上的应用．     

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.     

双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型，然而，该模型目前还未有三支决策方面的相关研究。针对这一问题，提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念，然后以贝叶斯决策最小化代价为基础，推导出了双论域模糊概率关系下决策区域的三元划分，即三支决策模型，最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

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。     

基于粗糙集理论的有限自动机最小化方法改进

有限自动机放在粗糙集的范畴中来研究,它的各个状态对应粗糙集论域中的每个对象,每个输入符号为一个等价关系。从粗糙集的角度,利用对论域进行知识划分的方法,每次产生新的等价类,直到每个等价类都不能划分为止,从而得到最小化的有限自动机。与已有的研究方法不同,该方法以粗糙集理论为工具,为有限自动机最小化方法研究提供了新的思路。     

双论域的粗糙集模型

通过构造性的方法,对原始的粗糙集模型进行推广,提出双论域上的粗糙集模型,给出了相关的性质。     

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.     

广义模糊粗糙集的包含度和相似度

模糊粗糙集是目前数据挖掘领域关注的热点之一，作者在Pawlak粗糙集模型基础上，把一个论域推广为两个论域；把等价关系推广为模糊关系，被近似对象换成模糊集，得到广义模糊粗糙集模型，建立了广义模糊近似空间。在广义模糊近似空间中定义了广义模糊粗糙集上的包含度和相似度，并讨论了此包含度和相似度相关性质。     

函数S-粗集

利用S-粗集(singular rough sets)，提出了函数S-粗集，给出了函数S-粗集的数学结构和特性．函数S-粗集具有两类形式：函数单向S-粗集，函数双向S-粗集．提出了函数S-粗集与S-粗集的关系定理．函数S-粗集是S-粗集的一般形式，S-粗集是函数S-粗集的特例．函数S-粗集是粗集研究的一个新方向．     

变异粗集与[α/R]知识

利用Z-pawlak rough sets，提出变异粗集，给出变异粗集的数学结构和变异粗集与Z.pawlak粗集之间的关系，给出变异粗集与Z.pawlak粗集的变异一对偶原理；利用这些结果，提出知识分离的判定定理和知识挖掘准则，变异粗集是Z.pawlak粗集中的一个新的研究方向．     

粗集理论及其应用（四）粗集理论和模糊集合

首先将粗集与模糊集合进行简单对比，并介绍利用粗集的概念考虑模糊集合的粗近似，定义粗模糊集合，利用模糊划分的相似性关系研究集合的近似问题，定义模糊粗集，并介绍粗模糊集合和模糊粗集的基本特性等，最后讨论知识近似模型的统一。     

程度粗糙集

从广义程度粗糙集出发,定义了程度粗糙集,深入讨论了其内部构造,得出了程度粗糙集简化运算的重要方法.对比经典粗糙集性质,研究了程度粗糙集3个方面的性质:集合与其程度近似集的关系、程度近似算子的幂作用、程度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.     

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     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.     

粗糙集理论及其在数据挖掘中的应用

Rough sets理论被广泛运用于不确定环境下的信息处理.基于粗糙集理论的数据挖掘技术正日益受到计算机科学家和数学家的重视.笔者介绍了粗糙集理论的发展过程和基本特点,粗糙集理论在数据挖掘中的应用,以及典型的基于粗糙集的数据挖掘系统,并介绍了粗糙集理论的研究方向和研究领域,最后论述了粗糙集理论与其他智能化方法结合起来处理信息的必要性.     

粗糙集的贴近度

为描述两个粗糙集的接近程度,提出了粗糙集贴近度的概念,给出了粗糙集贴近度的基本性质．根据模糊集贴近度的几种具体形式,分别定义了粗糙集的距离贴近度,最大最小贴近度,最小平均贴近度以及格贴近度．     

模糊粗糙集分解定理的讨论(Ⅰ)

分解定理是模糊数学的最基本定理之一,给出了模糊粗糙集的四个分解定理,并指出因偏序关系普通模糊集的部分分解定理并不能推广到模糊粗糙集。分解定理建立了模糊粗糙集与经典集间的联系,通过它可以把模糊粗糙集的某些性质的研究转化为相关的经典集的有关性质的研究,从而可以利用人们千百年来的研究成果和实践经验。     

θ-粗模糊集

摘要：提出粗模糊集的θ-包含等价类的概念,给出变精度粗模糊集的一种新定义形式θ-粗模糊集,讨论了θ-粗模糊集的结构及其性质,证明了θ-粗模糊集的截集和模糊集截集的θ-粗集是等价的.