P-粗积分与函数双向S-粗集的粗糙度

在函数双向S-粗集生成的P-粗积分的基础上提出了函数双向S-粗集的精度与粗糙度的概念,讨论了函数双向S-粗集的精度与粗糙度的一系列特性,并得到函数双向S-粗集的可分辨准则与函数双向S-粗集的筛选 剩余定理。     

单向S-粗集近似精度函数和依赖特性

利用单向S-粗集的动态特性和Pawlak粗集近似精度,提出了单向S-粗集的近似精度和它生成的近似精度函数,讨论并且得到了近似精度函数的数值特性与元素迁移的关系,近似精度和近似精度函数数值特性与属性的依赖之间的关系.     

单向S-粗集近似精度函数和依赖特性

利用单向S-粗集的动态特性和Pawlak粗集近似精度,提出了单向S-粗集的近似精度和它生成的近似精度函数,讨论并且得到了近似精度函数的数值特性与元素迁移的关系,近似精度和近似精度函数数值特性与属性的依赖之间的关系.     

粗区域生成与二重粗积分

以函数单向S-粗集的上、下近似生成的函数为基础,提出了粗区域的概念,进而提出基于函数单向S-粗集的二重粗积分的概念,研究其性质得出了二重粗积分是普通二重积分、一元粗积分的推广。而且由于它具有双向动态特性,为研究能量输出状态变化等实际问题提供了一个有效的工具。     

F-二重粗积分与边界厚度

F--二重粗积分是由函数双向S-粗集生成的积分对,它是F -二重粗积分和F^--二重粗积分的推广。给出F-二重粗积分边界厚度的概念,讨论了边界厚度的动态变化规律,得到边界厚度最值定理。利用边界厚度可以对F-二重粗积分进行辨识,给出F-二重粗积分辨识定理和两个辨识原则。     

双向变异S-概率粗集和它的属性概率性质

利用双向变异S-粗集的属性动态迁移特性,结合知识库中的统计信息,提出了双向变异S-概率粗集.讨论了双向变异S-概率粗集的属性概率性质,为获得动态的决策规则奠定了基础.利用上述讨论,给出了一个具体的应用实例.     

函数单向S-粗集生成的F-粗积分

函数单向S-粗集中的上近似与下近似均可看作是一个R-函数等价类,他们生成的函数如果在一闭区间上连续,则在该区间存在积分,这样就得到一个积分对,称这个积分对是函数单向S-粗集生成的F-粗积分。F-粗积分是普通积分的推广,而且它具有动态特性,也有一些良好的性质,为解决实际问题提供了一个方便有效的工具。     

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．     

函数S-粗集与规律积分度量

利用函数单向S-粗集和函数单向S-粗集对偶,给出f-规律知识,规律知识,f-规律和规律的概念,利用这些概念,给出规律知识生成的规律之间的关系和积分度量.     

函数单向S-粗集对偶生成的F-粗积分

单向函数S-粗集对偶中的上近似与下近似均可以看作是一个R-函数等价类,他们生成的函数如果在一闭区间上连续,则在该区间存在积分,这样就得到一个积分对,称这个积分对是单向函数S-粗集对偶生成的F-粗积分．F-粗积分是普通积分的推广,而且它具有动态特性和良好的性质,为解决实际问题提供了一个方便有效的工具．     

基于程度粗糙集模型的近似约简和近似相对约简

知识约简是在保持知识库分类能力不变的务件下，删除其中不相关或不重要的知识，它是粗糙集理论的核心内容之一。基于程度粗糙集模型提出了知识的近似约简和近似相对约简的定义，并且讨论了它们的一些相关性质。近似约简和近似相对约简是Pawlak粗糙集模型下的约简和相对约简的推广，它们能够在一定误差允许下约简更多的知识，使问题更加简化，同时也为获取近似决策规则奠定了基础。     

粗集模型的特征函数表示

粗糙集理论是处理不确定知识的一种工具,已在人工智能与知识发现、模式识别与分类、数据挖掘与故障检测等方面得到了较好应用。由于粗糙集在理论和应用两个方面的迅速发展,粗集模型得到拓广。本文研究粗集模型的特征函数表示形式,这种表示形式具有一般性,可以统一各种推广模型。粗集理论的核心是一对非数值型算子,即上下近似算子。粗集理论中的上下近似算子与证据理论中的一对数值算子——似然函数和信任函数有密切关系,为此作者研究了粗糙集与证据理论的关系。     

概率S-粗集与它的生成结构

提出了概率S-粗集,给出了概率单向S-粗集与概率双向S-粗集的数学结构,分析了概率S-粗集与概率粗集以及Pawlak粗集的关系.     

双向IS—粗集及其相对精度

在S—粗集的基础上,提出IS—粗集(improper singular rough sets)和双向IS—粗集(two directionimproper singular rough sets)的概念,给出它们的一般数学结构,并讨论了双向IS—粗集的近似精度及相对精度。     

基于相似关系的变精度多粒度粗糙集

在不完备信息系统中基于相似关系,引入了可变精度和多粒度粗糙集,进而提出一种基于相似关系的变精度多粒度粗糙集模型。研究了基于相似关系的变精度多粒度粗糙集的相关性质和关系。随后讨论了基于相似关系变精度多粒度粗糙集的约简问题,提出了一种基于属性重要度的启发式分布约简算法,实例分析的结果验证了该方法的可行性。     

双论域粗糙集的近似分类精度度量

由等价关系R所决定的近似空间(U,R)上,可用近似分类精度来表示可能的决策中正确决策的百分比。将近似分类精度概念推广到一般关系双论域粗糙集的近似空间上。通过引入独立集概念,给出了度量公式,最后通过实例验证了其合理性。     

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.     

基于粗集理论的逻辑函数简化方法

针对数字电路中逻辑函数真值表的特殊形式，利用粗集理论把它处理为一种决策表，用决策表的最小决策算法对其进行化简，然后从真值表中直接归纳出最简的逻辑表达式，此方法简单、快速、特别适用于数字电路中从已知真值表求出相应的逻辑表达式及其对应的逻辑电路，为粗集理论在数字电路中的应用提供有力工具。     

优势变精度粗糙集在UCAV威胁估计中的应用

针对对象属性包含偏好信息及对象属性数据可能存在噪声或者一定程度的不完整的问题,在对经典粗糙集理论分析的基础上,引入优势变精度粗糙集方法,给出了优势变精度粗糙集算法的具体步骤,并结合UCAV作战特点,将其运用到UCAV威胁估计过程中.建立了基于优势变精度粗糙集方法的UCAV威胁估计决策信息系统,给出了决策系统所包含的条件属性和决策属性,并通过实例进行了分析.由结果可知,该决策方法实现简单,能正确对目标的威胁等级进行估计,且得出的规则以一定置信度给出,保证了规则的一致性,对于包含偏好属性的决策信息系统,该方法可以辨识出规则之间的不相容性.     

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）。