粗糙模糊数

粗糙集理论和模糊集理论都是研究信息系统中知识的不完善、不准确问题 ,前者基于信息系统中知识的不可分辨性 ,后者基于信息系统中知识的模糊性 ,将二者结合形成了粗糙模糊集 .定义了粗糙模糊数(RFN) ,进而研究了其性质及二RF数间的距离 ,可用于在实际问题中对模糊信息的表述及信息加工 .     

基于模糊数的模糊学习理论的关键定理

考虑到现实世界的模糊性,结合模糊集理论和模糊统计学的知识,首先给出了关于模糊数函数以及模糊随机变量函数的若干定理;提出了模糊学习问题的一般表示;最后给出并证明了基于模糊数的模糊学习理论的关键定理.     

不确定模糊集的基本定理

不确定模糊集是基于信息和知识的不确定性提出来的,在处理信息系统中知识的不完善、不确定问题时有其自身的优点.定义了不确定模糊集上的截集,讨论了其性质.并在此基础上证明了不确定模糊集的分解定理、表现定理和扩展定理等基本定理.     

n维凸模糊集与n维模糊数

在n维模糊集理论的基础上,给出了n维凸模糊集的定义,利用凸模糊集的有关性质研究了n维凸模糊集的有关性质.在此研究基础上,又给出了n维(闭)模糊数的概念,根据模糊数的有关性质得到了n维(闭)模糊数相应的运算性质和表示定理,为建立基于n维模糊集的凸分析理论奠定了基础.     

基于模糊样本的统计学习理论的关键定理

结合模糊集理论和模糊统计学的知识,对作为统计学习理论基础的学习过程的一致性和关键定理进行推广,提出了模糊风险泛函、模糊经验风险泛函、基于模糊样本的ERM原则和非平凡一致性的概念,并给出了模糊意义下的学习理论的关键定理及其证明。     

Choquet模糊积分的粗糙性及信息融合

在分析现有模糊积分理论的基础上 ,提出了Choquet上、下模糊积分的概念和粗糙区间数的积分形式 ,给出了Choquet模糊积分的粗糙特性 ,建立了基于粗糙Choquet模糊积分形式和信息融合方法 .该方法在存在各种外界干扰因素的多传感器融合环境中 ,可以较好地实现区间数传感器的选择和融合 .所给Cho quet上、下模糊积分是经典Choquet模糊积分在粗糙意义下的扩展形式 ,能处理粗糙区间数数据源和信息系统的对象 .模拟实例验证了融合方法的有效性     

基于四种截集的粗糙模糊集表现定理的新表示

通过引入粗糙模糊集的λ-上截集、λ-下截集、λ-下重截集、λ-上重截集、粗糙模糊集的交与并的表示及在交的表示下基于四种截集形式的粗糙模糊集的分解定理.借助于粗糙模糊集交的表示形式下基于四种截集的分解定理及交的定义,系统研究了基于交的粗糙模糊集四种截集形式的表现定理,并给出其中两个定理的详细理论证明,它是粗糙模糊集的表现定理的一种新的表现形式,是粗糙模糊集构造性质的推广研究,研究结论可以丰富粗糙模糊集构造性质理论.     

复模糊集值复模糊积分及其收敛性定理

首先介绍复模糊集值测度与复模糊集值可测函数的概念及复模糊集值可测函数的性质,以及基于复模糊集值复模糊测度的复模糊集值积分概念及其基本性质;其次,研究了复模糊集值复模糊积分的收敛问题,得到了这种拓广到复模糊集值上的复模糊积分的单调收敛定理、法都定理、控制收敛定理等重要的收敛性定理.     

不完备模糊信息系统

以不完备模糊信息系统为研究对象，建立了其中的模糊相容关系及模糊粗糙上、下近似集。在此基础上，探讨了论域上的模糊覆盖问题并提出了覆盖的3种运算形式；定义了2种新的模糊粗糙熵以讨论不完备模糊信息系统中的不确定性因素，证明了不确定因素的变化与度量强度之间的重要关系；建立了一种度量部分模糊知识依赖的新方法，获得了一些新的定理结果证明。     

基于模糊粗糙集的一种知识获取方法

将粗糙集理论与模糊集理论相结合,提出了一种基于模糊粗糙集的知识获取方法．该方法利用模糊集理论对决策表中连续属性进行模糊化;通过定义模糊等价类得到模糊粗糙近似空间的上、下近似,从而获取决策规则．实例验证了此方法的有效性．     

粗糙模糊集的分解定理及表现定理

讨论了粗糙模糊集的构造性质,给出其分解定理及表现定理。     

模糊粗糙集的分解定理及表现定理

讨论了模糊粗糙集（FR集）的构造性质,给出其分解定理及表现定理。     

粗糙模糊数的贴近度

首先讨论了粗糙模糊数(RFN)的性质和运算法则，进而定义了粗糙模糊数的贴近度，在此基础上，分别给出了粗糙模糊数的距离贴近度，最大-最小贴近度，最小平均贴近度以及格贴近度，可用于在实际问题中对模糊信息的表述及信息加工。     

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     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

粗糙集和模糊集的比较分析

介绍了模糊集和粗糙集各自的理论和特点,并讨论了模糊集和粗糙集的各自优点和缺点,有机将两种理论结合起来分析了模糊粗糙集、粗糙模糊集及粗糙隶属函数的性质及应用,引入变精度思想,在粗糙模糊集上定义其上下近似。     

粗双枝模糊集的扩展原理

利用粗双枝模糊集的表现定理,给出粗双枝模糊集的扩展原理,为知识的表示提供了一种方法。     

粗糙集中的近似精确问题

从粗糙集中的“边界”(可能决策)的角度出发，首次提出了上(下)边界的概念，讨论了边界的一些性质，进而提出了粗糙问题中可近似为精确问题处理的近似精确问题模型，并给出了近似精确问题的处理方法。     

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,文章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。