变异粗集与[α/R]知识

利用Z-pawlak rough sets，提出变异粗集，给出变异粗集的数学结构和变异粗集与Z.pawlak粗集之间的关系，给出变异粗集与Z.pawlak粗集的变异一对偶原理；利用这些结果，提出知识分离的判定定理和知识挖掘准则，变异粗集是Z.pawlak粗集中的一个新的研究方向．     

变异S-粗集与它的变异结构

提出了变异S-粗集，给出单向变异S-粗集与双向变异S-粗集的数学结构；提出变异S-粗集与S-粗集的对偶性定理与变异一对偶原理．变异S-粗集是S-粗集研究的一个新方向．     

S-粗集上的知识特性

基于S-粗集的理论,给出了知识膨胀度与f^--知识萎缩度的概念;讨论了f-知识膨胀与f^-=知识萎缩的性质,提出了S-粗集上知识膨胀度-萎缩度等值定理,f-知识集知识膨胀定理;f^--知识集知识萎缩定理,给出f-知识f^--知识在决策识别中的应用．     

单向变异S-粗集的概率特征

利用单向变异S-粗集的结构,给出元素迁移的概率特征:属性集α的下近似概率特征,属性集α的上近似概率特征,利用这些结果,给出单向变异S-粗集的概率特征,提出单向变异S-粗集的随机结构与随机定理.单向变异S-粗集的结构是单向变异S-粗集的随机结构的特例,单向变异S-粗集的随机结构是单向变异S-粗集结构的一般形式.     

知识过滤与属性f-迁移依赖

依据S-粗集,给出f-迁移知识,F-迁移知识,知识过滤度和知识过滤属性f-迁移依赖的概念,提出知识过滤属性f-迁移依赖定理,给出知识过滤属性f-迁移依赖在知识识别中的应用,揭露了知识过滤的本质.     

单向变异S-粗集对偶的概率特征

利用单向变异S-粗集对偶的结构,给出属性迁移的概率特征:属性集α的下近似概率特征,属性集α的上近似概率特征,利用这些结果,给出单向变异S-粗集对偶的概率特征,提出单向变异S-粗集对偶的随机结构与随机定理.单向变异S-粗集对偶的结构是单向变异S-粗集对偶的随机结构的特例,单向变异S-粗集对偶的随机结构是单向变异S-粗集对偶结构的一般形式.     

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α（0≤α〈0．5）,给出了变精度广义s-粗集模型及其有关性质定理．通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系．     

分辨矩阵与知识粒度的应用

粗集理论是一种新的软计算方法，可以有效地分析和处理不完备信息，本文介绍了知识的粒度和属性的重要度等概念，得到了Skowron的分辨矩阵若干定理．利用这些结果，提出计算知识粒度和属性重要度的新方法，给出这些方法的应用，应用例子表明本文提出的方法的有效性．     

知识发现中概率统计与粗集方法的比较

对知识发现中,概率统计方法与粗集理论方法在评价系统参数的重要性,分类隶属度与条件概率,输入条件与决策结果的依赖关系等方面进行了比较, 提出了将概率统计方法和粗集理论相结合,由确定性粗集的近似空间扩展到了不确定性的概率粗集的近似空间,为确定性和不确定性知识表达系统提供一个统计粗集模型。     

F-知识与它的隐藏-依赖特征

S-粗集(singular rough sets) 存在三种形式: 单向S-粗集(one direction singular rough sets), 单向S-粗集对偶(dual of one direction singular rough sets)和双向S-粗集(two direction singular rough sets)。 S-粗集具有动态特性, 遗传特性, 记忆特性和隐藏特性。 利用S-粗集, 给出了f-隐藏知识, F-隐藏知识, 隐藏度和隐藏-依赖度的概念, 提出了关于隐藏知识的隐藏定理和隐藏-依赖定理, 并给出应用。     

知识过滤和它的依赖推理发现

知识具有颗粒，知识具有粒度；颗粒，粒度是知识的两个基本特征；知识的颗粒特征，知识的粒度特征与知识的属性保持着紧密联系，属性的变化引起知识颗粒特征，知识粒度特征的变化．本文将物理学中物质具有颗粒的概念和过渡的概念引入到粗集（rough set）理论与应用的研究中，提出了知识过滤的概念，给出知识过滤的数值度量，知识筛子原理．利用知识过滤的概念，给出知识过滤在依赖推理中的推理结构，依赖推理的数值关系和在知识发现中的应用．知识过滤与依赖推理相互交叉，互补共享，是知识发现研究的一个新方向．     

F-干扰规律生成与特征识别

利用单向S-粗集对偶给出知识的f-干扰生成与f-干扰规律生成,单向S-粗集对偶的F-干扰生成与F-干扰规律生成的概念,基于这些概念提出了F-干扰盈余与F-干扰度关系定理、F-干扰盈余规律与F-干扰度规律关系定理、F-干扰分辨定理、F-干扰规律分辨定理,给出了F-干扰规律识别准则与应用。     

对一类数据集识别问题的探究

利用粗糙集、知识库的理论引入了粒度、结构差离度、贴近度、中心差离度、边缘差离度等的概念，给出了数据集之间的距离公式．利用距离公式，分析了数据集之间的分类及识别问题，为计算机中的数据集分类、识别提供了又一有力的方法．     

广义遗传筛子及其性质分析

在奇异粗集及其(F,)遗传的基础上,给出 遗传筛子、 无效遗传筛子、 副遗传筛子以及遗传知识显性度等概念,分析了 遗传筛子的性质,提出了遗传知识的平均显著度膨胀定理,揭示了广义遗传筛子的结构与遗传速度之间的关系。为进一步研究属性集合有缩小趋势的动态粗集提供了一定的理论研究基础。     

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.     

S-粗等价类与知识动态挖掘-发现

在单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)基础上,给出S-粗等价类、S-粗等价类对偶与粗等价类的概念与结构;讨论了三种等价类之间的关系;得到S 粗等价类与S-粗等价类对偶的属性定理与动态分离定理;给出S 粗等价类在知识动态挖掘-发现中的应用。