相容粗糙模糊集模型

在粗糙模糊集模型中,被逼近的目标概念是一个模糊集,使用的知识是等价关系,即描述对象的属性是离散值的。但在很多实际应用中,描述对象的属性是实数值的。针对这一问题,将粗糙模糊集模型中的等价关系推广为相容关系,提出了相容粗糙模糊集模型。当相容关系退化为等价关系时,相容粗糙模糊集模型即为粗糙模糊集模型。相容粗糙模糊集模型扩展了粗糙模糊集的应用范围。     

多粒度邻域粗糙模糊集及其不确定性度量

邻域粗糙集是经典粗糙集的一个扩展模型,研究其不确定性度量模型具有重要意义。在邻域粗糙集理论中,当前不确定性度量方面的研究工作主要专注于度量知识空间的粒度大小或边界域尺寸。在邻域系统中,对于目标概念为模糊时的情形,其不确定性不仅来自于邻域粒的边界域,还来自于正域和负域,当前的不确定性度量方法较少考虑这种情形。为此,构建了邻域粗糙模糊集模型,从粒计算的角度出发,进一步提出了多粒度邻域粗糙模糊集模型;针对多粒度邻域粗糙模糊集具有乐观性与悲观性的特点,借鉴Vague集中支持度和反对度的思想,设计了基于模糊度的多粒度模糊熵的不确定性度量方法,不仅符合人类的认知习惯,而且可以有效刻画整个邻域知识空间的结构信息。     

基于多粒度理论的不完备决策规则获取

将多粒度理论引入不完备决策系统中,针对其不完备性,结合非对称相似关系提出基于相似关系的不完备多粒度粗糙集模型,并讨论该模型的性质。随后重点讨论基于相似关系的不完备多粒度粗糙集模型中属性约简和决策规则获取的问题,将多粒度理论和近似分布约简相结合,提出了不完备多粒度近似分布约简,获得所有的最简确定决策规则和最简可能决策规则。最后通过实例分析,发现使用多粒度近似分布约简与规则获取方法比原有的单粒度近似分布约简与决策获取方法更合理有效。     

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）。     

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。     

不完备信息系统中的确定优势粗糙决策规则提取

以不完备信息决策系统为研究对象,提出了基于确定优势关系的粗糙集模型.在确定优势关系粗糙集的基础上,提出了相对下、上近似约简的概念,给出了求得相对下、上近似约简的具体方法,并在此基础上提取不完备信息系统中的确定优势粗糙决策规则.应用实例表明了所提出的新方法的有效性.     

区间值模糊集上的粗糙近似

提出了区间值模糊粗糙集的上下近似,并且利用区间值模糊集的截集定义了区间值模糊粗糙度量,在此基础上讨论区间值模糊粗糙集和区间值模糊粗糙度量的性质。     

基于覆盖的变精度粗糙直觉模糊集模型研究

针对经典的Pawlak粗糙集模型容易受到噪声数据影响的问题,在覆盖概念的基础上,对变精度粗糙直觉模糊集进行研究。首先,通过设定变精度中的两个约束条件(α,β),将其引入到覆盖粗糙直觉模糊集模型中,从而提出基于覆盖的变精度粗糙直觉模糊集模型,又考虑到元素邻域、规则置信度及元素与最小描述之间的关系,定义了有关该模型的4种类型,并且证明了该模型的相关性质,分析了该模型与现有模型之间的关系以及4种模型之间的关系。其次,在所给模型的基础上定义了基于覆盖的变精度粗糙直觉模糊集模型的近似质量和粗糙性测度。最后,通过信用卡申请的实例分析证明了该模型在实际应用中的有效性,并通过改变两个约束条件(α,β)的取值,分析得出较合理的α和β取值范围。     

基于优势关系粗糙集的规则生成算法

针对现有的基于优势关系粗糙集的规则生成算法存在运行效率低的问题，提出了一种基于多个优势差别矩阵的规则生成算法，突出不同决策类之间的差别信息，在得到精简规则集的同时，能够提高规则生成效率．通过实验与其他规则生成算法加以比较，表明该算法在平均性能方面优于其他算法．     

基于Kohonen网络-粗集-模糊神经网络获取模糊规则的集成方法

基于单一知识发现方法的不足提出了一种基于Kohonen网络、Rough Sets和FNN获取模糊规则的集成方法.首先用Kohonen网络进行数据量化,然后运用粗集理论产生初始规则,并根据所得的规则建立模糊神经网络模型,从而生成较少的精炼规则.最后通过实例仿真分析,验证了该方法的有效性和实用性,同时为获取模糊规则提供了新的思路.     

关于模糊粗糙集的一个注记

指出文献[6]中定义的模糊粗糙集的补集不再是模糊粗糙集.为了克服原定义中的缺陷,给出了关于模糊粗糙集的新的补集定义,讨论了相应的运算性质.同时还证明:模糊粗糙集其实就是定义在F格L上的L-模糊集.     

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。     

基于多粒度概率粗糙集与MULTIMOORA的q-RO模糊多属性群决策

为了探索q-RO(q-rung orthopair)模糊信息系统中具备稳定决策结果的多属性群决策方法,依据多粒度概率粗糙集与MULTIMOORA(multi-objective optimization by ratio analysis plus the full MULTIplicative form)建立了一种新的q-RO模糊多粒度计算模型,并用于求解多属性群决策问题.结合q-RO模糊概率粗糙集与多粒度粗糙集,提出了多粒度q-RO模糊概率粗糙集模型.利用离差最大化法计算属性权重与决策者权重,进一步建立了基于多粒度概率粗糙集与MULTIMOORA的q-RO模糊多属性群决策方法,该方法考虑了决策风险与容错能力,可提供稳定的决策结果.通过2个实际算例验证了所建立方法的可行性与有效性.     

广义模糊粗糙集的粗糙度

提出基于模糊关系的广义模糊粗糙集的α,β上、下近似算子,讨论近似算子的性质.给出广义模糊粗糙集的粗糙度,就给定的模糊集研究模糊关系对粗糙度的作用.通过算例验证该粗糙度的有效性.     

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     

粗糙模糊集的若干区别度度量探讨

区别度是刻画模糊集之间差异程度的一种度量方式,区别度研究具有重要理论意义．本文给出了粗糙模糊集区别度度量应满足的若干条件,提出了三种形式的粗糙模糊集区别度,并讨论了它们的基本性质．     

模糊贴近度的覆盖粗糙模糊集不确定性度量研究

针对一种覆盖粗糙模糊集的不确定性度量,分析了不确定性的物理含义,给出了一种基于模糊贴近度的度量方法,进而对其性质进行了分析。结果表明该度量方法能客观反映粗糙模糊集不确定性的程度,从定量的角度为刻画粗糙模糊集的不确定性提供了方法。     

粗糙集的模糊隶属度表示及其相互关系

利用论域U上任意粗糙集的近似精度ρR(X)定义了基于近似精度的粗糙隶属函数,实现了对任意粗糙集边界域中元素更为准确的刻划.用模糊集的隶属函数进一步揭示了粗糙集的本质.     

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.