基于粗糙集的不完备信息系统知识获取方法

经典粗糙集理论是面向完备信息系统的，为处理不完备信息系统．需要进行理论扩充．本文首先介绍了粗糙集理论的基础知识，然后对经典粗糙集理论在不完备信息系统中的几种扩充模型进行了介绍和分析，并对现有基于粗糙集理论的不完备信息系统知识获取方法的研究进行了总蛄，最后展望了谊理论未来的发展方向．     

基于粗糙集和包含度理论的决策规则提取方法

粗糙集理论是一种处理模糊和不确定知识的数学工具，正越来越被人们所重视．首先介绍了集值信息系统和粗糙集理论的相关知识，说明经典信息系统可以作为简单的集值信息系统处理。然后在集值信息系统中，以粗糙集理论为基础，引入包含度的概念，介绍包含度的几种生成方法，建立包含度的知识发现方法，最后通过具体的例子说明这种决策规则提取方法是有效的．     

关于粗糙集的若干注记（Ⅰ）——粗糙集与Stone代数

粗糙集理论是处理和表示不准确信息的极为有效的数学工具，也是对其他处理不完备信息的理论和方法(如，可能性理论，证据理论，模糊集理论等)的补充，研究了粗糙集理论与Stone代数的关系，并给出与粗糙集和条件事件密切相关的Stone代数的同构定理。     

粗糙集理论与其它不确定理论的比较分析

粗糙集理论作为一门新兴的不确定理论正越来越受到人们的关注．在介绍粗糙集理论基本内容的基础上，对粗糙集理论与模糊理论、随机理论、灰色理论等其它不确定理论的差异性进行了分析，同时讨论了它们之间的互补性问题并构建了相应的互补模型，最后，指出了粗糙集理论对于进一步丰富和完善不确定理论体系的重要性．     

一种基于聚类的粗糙集连续属性的离散化算法

粗糙集理论是一种新的处理不精确、不完全与不相容知识的数学工具。粗糙集理论只能对离散属性进行处理，而不能处理连续属性。中针对这一缺陷，利用连续数值属性有序性的性质和统计方差理论，提出了一种基于聚类的连续属性离散化算法。运用典型数据将本算法与现有方法进行了比较分析，得到了满意的结果。     

相似关系粗糙集理论的一个极小公理组

粗糙集公理化是粗糙集理论研究的一个重要部分,其目的是用可靠且独立的公理组对粗糙集理论进行刻画,从而可以用逻辑和公理系统方法对粗糙集理论进行更为深入的研究．经典的粗糙集理论是基于等价关系的,但现实数据中存在更多的相似关系．为刻画基于相似关系粗糙集理论,给出了公理组S,它含有3个公理．证明了公理组的可靠性,它表明了用所给公理组刻画基于相似关系粗糙集理论的合理性．同时还证明了公理组的极小性,即公理组中每条公理是粗糙不等式且各公理是相互独立的．这些研究有助于粗糙集理论研究的深入和完善．     

粗糙集理论在中国手语合成中的应用

粗糙集理论是处理模糊和不确定知识的一种重要工具,约简是它的核心方法之一．在人机交互中,手势交互的难点在于手势表示的复杂性和逼真性,在将粗糙集理论应用于中国手语合成中,利用约简发现了手运动中的一类约束,降低了手语表示的复杂性,也增强了手语合成的逼真性．     

基于相异关系的粗糙集理论

利用相异关系代替Pawlak粗糙集理论中的不可分辨关系，建立了基于相异关系的粗糙集理论，它使粗糙集理论在完备信息系统和不完备信息系统中的应用统一起来．     

基于粗糙集和模糊集理论的规则提取方法

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论，两者都可用来观察、测试数据并进行推理。虽然它们之间有一些重叠，但两者的着眼点和计算方法是不一样的，因此它们不能被相互替代，而且必须结合起来使用。本文结合粗糙集理论和模糊集理论提出一种新的规则提取方法，并给出了一个应用实例。     

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.     

Credit Assessment of Contractors： A Rough Set Method

Introduction China’s construction industry has encountered a credit crisis in parallel with its remarkable progress in recent years.Bad credit results in increasing nonperformance,poor quality projects,chains of defaults,fraud and cor-ruption in the indu…     

基于近似精度和条件信息熵的粗糙集不确定性度量方法

基于粗糙集理论的基本不确定性度量方法能够度量知识的不确定大小，却不能区分集合粒度划分大小，利用知识的信息熵，并结合粗糙集精度，定义了一种粗糙熵，用于度量粗糙集中的不确定性．证明了该粗糙熵随着划分粒度的变小而单调增加的性质．新的粗糙熵不仅能度量粗糙集的不确定区域大小而且可以度量划分的大小．算例证明了该方法的有效性．     

基于粗糙集的发现决策偏好信息的新方法

传统的粗糙集(Rough Set)模型基于可利用信息的完全性,忽视了可利用信息中的不完全性和可能存在的统计信息,因而不能发现隐藏在大量决策实例中的不确定性决策偏好信息．为了解决这个问题,该文提出了一种将加权关联规则运用到粗糙集模型中的新方法．     

A note on rough set and non-measurable set

It is proved that rough set is equivalent to non-measurable set in measure theory. Hence, rough set is not a new concept in some sense. At the same time, we defined the measurable degree of a set by inner measure and outer measure. Its special case is the accuracy measure of rough set.     

不完备信息系统中Rough集的扩充模型

经典的Rough集理论所处理的信息系统必须是完备的.为了能够分析处理不完备的信息系统,需要建立新的扩充Rough集模型.对现有的几种比较有影响的Rough集扩展模型进行了分析研究,提出了一种带约束的相似关系Rough集模型,并将这些扩充模型之间的关系进行了分析比较.结果显示,基于约束相似关系的扩充Rough集模型优于基于容差关系的扩充Rough集模型和基于相似关系的扩充Rough集模型,使得对象的划分更加合理,符合人们在处理数据时的直观感觉.     

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.     

基于粗糙集数据挖掘技术开发的用水量计划系统

面向粗糙集的数据挖掘方法能有效地从某些不精确信息集合中发现知识，而现实中这种数据是广泛存在的，因此这种方法具有很强的实用价值。结合从粗糙集中发现的规则算法Apriori—2开发了一个小型用水量计划系统，并对系统的设计及测试分析过程进行了简要的介绍。     

粗糙集代数与R_0-代数

在粗糙集的代数方法研究中,一个重要的方面是从粗糙集的偶序对(<下近似集,上近似集>)表示入手,通过定义偶序对的基本运算,从而构造出相应的粗代数并发现R0-代数能够抽象刻画偶序对的性质。讨论了粗糙集代数与R0-代数的关系以及由粗糙集代数构造R0-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和余运算之后,粗糙集代数就成为R0-代数。     

A classifier based on rough set and relevance vector machine for disease diagnosis

A new intelligent method for disease diagnosis based on rough set theory (RST) and the relevance vector machine (RVM) for classification is presented as the rough relevance vector machine (RRVM). The RRVM mixes rough set’s strong rule extraction ability with the excellent classification ability of the relevance vector machine through preprocessing initial information, reducing data, and training the relevance vector machine. Compared with traditional intelligence methods such as neural network (NN), support vector machine (SVM), and relevance vector machine (RVM), this method manages to identify disease samples objectively and effectively with less transcendental information. Biography: LI Dingfang (1965–), male, Professor, Ph. D., research direction: computational learning theory, computing in science and engineering.     

离散化方法在基于粗糙集焊接建模中的比较

粗糙集建模方法是一种新的且重要的焊接过程建模方法,离散化是粗糙集建模方法中一个必要且重要的步骤.针对已有离散化方法众多、难以取舍的特点,讨论并确立了焊接建模过程中离散化方法的选择标准.以低碳钢的脉冲钨极氩弧焊为背景,针对相同的建模数据,采用除离散化外相同的粗糙集建模步骤,并以十折交叉确认法为验证方法,对比不同离散化方法对焊接粗糙集模型的预测能力的影响.实验表明,基于熵的离散化方法更加适合焊接过程的粗糙集建模.最后,探讨了基于熵的离散化方法的参数选择.