模糊粗糙集粗糙熵的修正

在粗糙集理论中,由于用模糊粗糙熵去度量RF集的不确定性更具有直观性,所以如何利用香农信息熵理论定义模糊粗糙集的熵的度量,是一个值得研究的问题.结合知识粗糙性和信息熵给出了模糊粗糙集的熵的度量新定义,并对其一些性质进行了讨论.     

一种度量粗集粗糙性的新方法

结合考虑二元关系产生的知识模块粒度大小及集合X边界的知识粒度对X的粗糙性的影响,利用知识的粗糙熵及粗集的边界熵给出度量粗集粗糙性的新方法—集合的粗糙熵。     

基于近似精度和条件信息熵的粗糙集不确定性度量方法

基于粗糙集理论的基本不确定性度量方法能够度量知识的不确定大小，却不能区分集合粒度划分大小，利用知识的信息熵，并结合粗糙集精度，定义了一种粗糙熵，用于度量粗糙集中的不确定性．证明了该粗糙熵随着划分粒度的变小而单调增加的性质．新的粗糙熵不仅能度量粗糙集的不确定区域大小而且可以度量划分的大小．算例证明了该方法的有效性．     

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.     

基于粗糙熵的三支加权变形熵

粗糙集理论是关于不确定性信息处理的一种重要理论,其中的多种信息度量都具有有效的不确定性刻画功能.借鉴传统粗糙熵,构建三支加权变形熵.首先,利用粗糙熵的形式结构,采用三支概率提出三支变形熵,得到不完全的粒化单调性.进而变换贝叶斯概率公式,构建三支加权变形熵,得到完全粒化单调性以及三支信息系统性.三支加权变形熵推进了粗糙熵,有益于粗糙集的不确定性表示及应用.     

粗糙模糊集的关联熵与关联熵系数

在研究模糊集关联熵和关联熵系数的基础上，将关联熵和关联熵系数的概念引入粗糙模糊集，讨论了它们的主要性质，说明关联熵系数可以用于粗糙模糊集之间相似程度的度量．并通过例子证明了粗糙模糊集的关联熵系数比模糊集的关联熵系数更适合用于在分类知识R下模糊集合之间相似程度的比较．     

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。     

一类覆盖粗糙直觉模糊集模型的模糊粗糙度和粗糙熵

在覆盖粗糙直觉模糊集模型的基础上,将粗糙度和粗糙熵的概念引入到该模型中,研究直觉模糊集的不确定程度,讨论了该度量的相关性质,并通过两个例子证明了直觉模糊集的模糊粗糙度和粗糙熵随着该模型覆盖变细而单调减少。     

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。     

一种新的覆盖粗糙模糊集的模糊度

目的研究第三类覆盖粗糙模糊集的不确定性度量方法。方法通过引入上下近似的标准差作为权重的度量标准,定义了一种新的覆盖粗糙模糊集的加权平均模糊度。结果该模糊度符合模糊度的定义,能够衡量覆盖粗糙模糊集的不确定性程度。结论改进了罗世尧关于覆盖粗糙模糊集模糊度的计算方法,使之更为实用和有效。     

基于粗糙关系数据库的粗糙数据查询

以粗糙关系数据库模型（RRDM）为背景，从分解原理、投影原理、粗糙关系数据库（RRDB）的可定义性及上、下近似几方面讨论了RRDB的查询理论，并以此为基础提出了一种新的RRDB查询方法--粗糙数据查询，我们把粗糙数据查询分为精确查询、粗糙完全查询、粗糙组合查询三类，并从这三方面对粗糙数据查询进行了讨论与仿真实验，仿真结果验证了这种方法的可行性和正确性。     

粗糙群的阶及粗糙循环群

对粗糙集上代数结构进行了研究,引入了粗糙群中元素的的阶、粗糙循环群等概念,利用粗糙集理论方法和经典代数的处理手段,讨论了粗糙循环群的结构特征和性质.     

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。     

粗糙集理论中粗糙函数定义的改进及粗糙导数性质的证明

对二元、n元粗糙函数、k阶粗糙导数的定义进行了改进,给出了一元、二元粗糙导数的性质,并对一元、二元、n元粗糙导数的性质给出了较详细的证明.     

幺半群上的粗糙超作用和粗糙超集

给出了粗糙超作用和粗糙超S-集的定义,将超作用和超S-集作了一个推广.     

李代数的粗糙子代数和粗糙理想

对粗糙集上李代数的结构进行了研究,引入了李代数的粗糙子代数和粗糙理想等概念.把粗糙集理论方法和李代数的经典结论结合起来,得到了一些有意义的结论.     

半群中的粗理想和粗直积

在粗糙集概念的基础上,提出了在同余关系下的粗子半群、粗直积、粗理想,并讨论了商半群中的粗糙集及代数刻画,进一步补充和完善了半群中的粗糙集理论.     

粗糙子代数

讨论了粗糙子代数的性质,得到主要结果:置换性、粗糙子代数的充要条件、同态映射、二重性定理等。     

基于粗糙集理论的Bayes粗糙模型研究

从经典的概率粗糙集推广模型出发,参照Bayes因子,研究了一种Bayes粗糙集模型,该模型不受先验概率的影响,从而减小了决策失误的风险．