基于信息熵的Rough集粗糙性度量新方法

基于等价关系和一般二元关系,通过引入Rough集边界熵概念,利用Rough集边界的知识粗糙性和Rough集本身的粗糙度来刻画Rough集粗糙性,为Rough集粗糙性提供了一种更为合理的度量方法,为Rough集中概念的获取和刻画提供了理论依据.     

一般二元关系中基于边界域的知识粗糙熵与粗集粗糙熵

不确定性度量是粗集理论研究的重要内容之一。基于信息论,结合Pawlak拓扑思想,提出了一般二元关系（自反性）下基于边界域的知识粗糙熵新定义,修正了粗集粗糙熵的定义。相对于传统粗糙熵,新的知识粗糙熵概念能更准确地度量知识和集合的不确定性,并在此基础上证明了新的知识粗糙熵和修正后的粗集粗糙熵都随知识分辨能力的增强而单调下降。     

基于边界熵的S-粗集不确定性度量

针对S-粗集中元素的动态特性,给出了内、外边界和外边界熵的概念,将传统的粗糙度与外边界熵结合进来,提出了一种新的S-粗集不确定性的度量方法,讨论了这一度量的特性,并通过实例说明这一新的度量方法的合理性与简便性。     

粗糙Vague集及其相似度量

对粗糙集和Vague集的概念、知识表示方法进行了研究,提出了粗糙Vague集的概念．研究了粗糙Vague集的相关性质,提出了粗糙Vague集相似度量的方法．     

知识粗糙性的粒度原理及其属性约简

经典的粗糙集理论提出知识是有粒度的并定义了知识粗糙度的概念，但它不能完全区分不同信息粒度所表示的信息量。本文从信息论的角度定义了信息粒度，粒度函数和粒度熵等概念，重点研究了知识粗糙性的粒度原理。提出了一种基于条件粒度熵的属性约简的启发式算法，通过例子分析，表明该算法是有效的。     

粗糙模糊集的粗糙性度量

粗糙集理论和模糊集理论是处理不确定和不精确问题的两种数学工具,它们有很强的互补性,将这两种理论相互融合可以建立粗糙模糊集模型。本文在概率近似空间上研究了粗糙模糊集的粗糙性度量,定义了知识的粗糙度概念,并将它与模糊集的粗糙度相结合给出了粗糙模糊集粗糙性的一种新的度量,验证了该度量的一些性质。     

属性粗糙集粗糙性的度量方法

考虑到粗糙集的不确定性与其所在近似空间知识粒度的关系,在属性粗糙集模型的基础上,将传统的粗糙度与知识粒度相结合,提出了一种新的属性粗糙集粗糙性的度量方法,讨论了这一度量的特性.证明了随着近似空间的细分新的粗糙度单调减小的性质.     

基于粗集理论的属性约简算法

结合高压输电线路远程监测系统,在参考粗糙集理论的基础上,结合粗糙熵相关知识,针对复杂系统故障影响因子的特点,提出了一种属性约简算法,最后得出相应的算法规则,解决了复杂信息数据简化的问题。实例证明,该算法是可行的。     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

一种基于粗集的概念学习新方法

针对传统粗集决策方法不能对未见实例提供很好分类的缺陷,提出了一种基于粗集的概念学习新方法。 利用概念之间的偏序结构,在整个变型空间搜索与训练样例一致的假设,并通过投票的方式得到新实例最可能的 假设。仿真结果表明该方法泛化能力强,是一种有效的概念学习方法。     

Notes on Rough Set Approximations and Associated Measures

<正>We review and compare two definitions of rough set approximations.One is defined by a pair of sets in the universe and the other by a pair of sets in the quotient universe.The latter definition,although less studied,is semantically superior for interpreting rule induction and is closely related to granularity switching in granular computing.Numerical measures about the accuracy and quality of approximations are examined.Several semantics difficulties are commented.     

粗糙集与模糊集的比较研究

近来许多研究致力于不确定性问题的知识获取，不确定产生于许多方面：它可以来自于对事物进行描述的术语的模棱两可；也可以来自描述过程中对规则的怀疑；或者数据的错误、丢失．处理不确定性问题的理论有很多，粗糙集与模糊集都是有效手段，它们有联系有区别，可以相互补充有机结合起来解决更多问题．     

考试成绩分析的粗糙集方法

在大学英语教学中，考试是一个不可缺少的环节，英语考试既能检测学生的学习情况，又能对以后的教学提供许多宝贵的信息。因此，对学生的考试数据进行分析，将对外语教学起到非常重要的作用。本文利用一种新的数学理论－－粗糙集理论，分析了某班级英语考试的各部分成绩对英语总体成绩的影响，通过对各部分的属性重要性分析，为今后的大学英语教学的重点提供了理论依据。     

信息熵在粗糙集理论中的应用

信息熵在粗糙集理论中有着重要的应用 ,它可用来度量知识的不确定性、属性关联的重要性及粗糙集的不确定性等。文章综述并分析这些度量     

粗糙群和基于子群的群的粗糙

运用粗糙集理论的思想,在群中基于子群定义了群的近似空间,并定义了集合的运算,用集合的近似进行了研究．用近似群重新定义了粗糙群理论中的粗糙群、粗糙子群、粗糙不变子群、粗糙商群、粗糙同态、粗糙同构等一系列概念,并在传统的和新定义的两种粗糙群理论体系中,研究了基于子群的群的粗糙的性质．     

一种基于Rough集的指标体系选择策略

在理论与实证分析相结合的基础上,提出基于Rough集的指标体系选择的分析方法,实践证明,Rough理论体系是一种新型的处理不完整性和不确定性问题的数学工具。对于指标的选取同样有效,通过研究以期在理论和实例验证中对指标体系的构建工作能有所帮助。     

关于粗糙集理论与信息熵的几点注记

基于信息论中信息熵的概念及性质，在粗糙集的信息系统中添加一个概率测度后，对信息论和粗糙集理论中的一些概念进行了比较，给出了粗糙集理论中知识粗糙性、边界和知识约简在信息论中的解释，并将概率论、信息论和粗糙集的知识相结合，得到了一种规则提取的新方法。     

基于Rough Set的CLS算法研究

用粗集理论对CLS算法进行了分析,得出CLS算法生成的决策树的特性.     

一种基于粗糙集的知识约简方法

最佳知识约简问题是信息系统与知识发现中面临的一个重要问题.提出了基于粗糙集的理论对信息系统生成的差别矩阵进行约简的方法.该方法先对连接差别矩阵进行一致化处理,然后再将差别矩阵进行约简,最后在约简后的矩阵中作最佳知识约简.