关于粗理想和粗直积的一些性质定理

在粗糙集概念的基础上,讨论了同余关系下的粗理想和粗直积的关系,得到了一些较好的性质定理,进而丰富和完善了半群中的粗糙集理论.     

粗糙半群的性质

主要讨论了粗糙集理论在半群中的应用,给出了半群在同余关系下的粗糙子半群、粗直积、左(右、双边)粗理想以及粗糙商半群的概念,并讨论了它们的一些性质.     

Fuzzy半群中Fuzzy粗糙理想的性质

基于张文修（2001）半群中粗糙理想的概念与性质，本文首先给出FuzzY半群中点态化强Fuzzy同余关系和Fuzzy粗理想的定义，然后主要讨论了Fuzzy半群中两个非空Fuzzy子集积的Fuzzy粗理想的有关性质，进一步补充和完善了Fuzzy半群中粗糙集理论的数学结构．     

半群中变精度的粗糙理想

基于半群中的粗糙左理想,粗糙右理想,粗糙双侧理想与粗糙双理想的概念,本文讨论了半群在变精度的粗糙集模型下,各种粗理想相应的性质,并且讨论了半群中两个理想之积的一些性质,进一步丰富了半群中的粗糙集理论.     

粗糙半群的进一步研究

主要讨论粗糙集理论在代数系统——半群中的应用,介绍了粗糙半群、粗糙理想、粗糙同态映射及粗糙商半群的概念,提出并证明了与此相关的性质,进一步补充和完善了半群中的粗糙集理论.     

半群的粗模糊理想的性质

研究了半群中模糊子集的上、下近似的性质,并由此讨论了半群的两个特殊模糊子集之积、之交的性质,进一步丰富了粗糙模糊半群理论.     

半群上的粗集与模糊同余

Fuzzy集理论和Rough集的结合为处理不确定性现象提供了一个新的空间。引入了半群上的粗集,建立了半群粗集的模糊同余关系,讨论了在模糊代数系统下,粗集的一些代数性质。     

半群中的格林关系的粗糙性质

在粗糙集理论的基础上,将格林等价关系引入到粗糙集中,并与半群中的理想相联系,利用格林关系的一些基本性质,讨论半群中格林等价关系的粗糙性质,并给出这些结论的证明,进一步补充和完善了半群中的粗糙集理论.     

双枝模糊粗集

为进一步揭示模糊集、双枝模糊集与粗糙集的关系,在双枝模糊集及粗糙集的基础上,给出了上枝模糊粗集,下枝模糊粗集及双枝模糊粗集的概念;利用双枝模糊集及粗集的性质,讨论了下枝模糊粗集,上枝模糊粗集和双枝模糊粗集的性质.由讨论可知,双枝模糊集与粗集具有紧密的联系,由二者融合构成的双枝模糊粗集与模糊粗集具有类似的性质,双枝模糊粗集是模糊粗集的推广,而模糊粗集是双枝模糊粗集的特殊情况.     

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。     

半环的粗糙理想

文[1]研究了半群中的理想,首次提出了粗糙半群和粗糙理想的概念．文章引进半环的粗糙左（右,双侧,拟,双）理想的概念,给出半环的左（右,双侧,拟,双）理想,就是半环的粗糙左（右,双侧,拟,双）理想,还研究了半琢中两个理想做某种运算后的粗糙性质,进一步补充完善了粗糙集理论．     

粗糙子环的判定

粗糙代数是粗糙集理论研究的一个方向,粗糙环和粗糙子环是粗糙代数的主要内容之一.以 Pawla粗糙集模型、环论为基础,给出了环的粗糙子环的定义,并研究了粗糙子环的性质及判定定理, 扩展了粗糙代数理论的研究范围.     

粗糙图与它的结构

将粗糙集理论和传统图论相结合，给出基于粗糙集思想的传统图的等价定义及粗糙图的定义，并进一步给出了粗糙图的矩阵表示及粗糙图的粗糙性分析．粗糙图推广了传统的图论结果，是可用于不确定性问题研究的图，它是分析系统粗特征的有效新工具．     

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。     

Pessimistic Rough Decision

<正>With granular computing point of view,this paper first presents a novel rough set model with a multigranulation view,called pessimistic rough decision,where set approximations are defined through using consistent granules among multiple granular spaces on the universe.Then,we investigate several important properties of the pessimistic rough decision model.With introduction of the rough set model,we have developed two types of multigranulation rough sets(MGRS):optimistic rough decision and pessimistic rough decision. These multigranulation rough set models provide a kind of effective approach for problem solving in the context of multi granulations.     

Rough sets: the classical and extended views

The article is a comprehensive review of two major approaches to rough set theory:the classic rough set model introduced by Pawlak and the probabilistic approaches.The classic model is presented as a staging ground to the discussion of two varieties of the probabilistic approach, i.e. of the variable precision and Bayesian rough set models. Both of these models extend the classic model to deal with stochastic interactions while preserving the basic ideas of the original rough set theory, such as set approximations, data dependencies, reducts etc. The probabilistic models are able to handle weaker data interactions than the classic model, thus extending the applicability of the rough set paradigm. The extended models are presented in considerable detail with some illustrative examples.     

分级粗糙集和分级知识约简

Pawlak 粗糙集模型认为一个元素要么属于一个集合,要么不属于该集合,要么可能属于该集合,把可能属于该集合的元素的全体称为边界.Pawlak 粗糙集模型对边界的研究较少.文章认为对边界的隶属度差别较小的元素以同一个量级属于边界,从而可按一个对象对边界的隶属量级对边界进行划分.基于这一思想提出了分级粗糙集模型和分级最大分布约简、分级分布约简的概念.给出了这两种约简的判定定理及辨识矩阵以及相应的核属性的等价条件.分级粗糙集模型推广了Pawlak粗糙集及变精度粗糙集模型.