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．     

变异粗集近似精度与变异知识特性

利用变异粗集的概念,讨论了变异粗集近似精度与Pawlak粗集近似精度的关系．分析了变异知识重要度、过滤度的性质,得到了变异知识重要度、过滤度、粒度的关系定理以及变异知识挖掘定理．     

S-粗集与它的知识遗传挖掘

利用S 粗集中的遗传知识及其遗传系数的概念,给出了知识的变异系数的概念;提出了变异系数属性依赖定理、遗传-变异关系定理;并给出了知识的遗传挖掘及其算法.     

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。     

S-粗集的副集α-生成与α-生成定理

给出了S-粗集的副集α-生成，副集的集-生成概念；给出了副集α-生成特性，副集的集-生成特性；提出了副集的α-生成定理，副集的集-生成定理；给出了S-粗集的属性非空原理，S-粗集的属性基数原理．     

知识依赖与知识依赖特性

给出S-粗集(Singular rough sets)中的知识，f^--知识和它们的属性集结构；利用这些概念，给出知识的f-依赖关系与知识的f^--依赖关系，提出知识依赖性定理和知识的依赖属性补充-删除原理．     

函数S-粗集与F^--隐形图像生成-辨识

利用函数S-粗集,给出图像生成,提出F^--隐形图像的概念、构成结构、F^--隐形图像的属性特征和分离定理与还原定理,给出F^--隐形图像在图像信息系统中的应用。     

函数S-粗集与它生成的F-隐形图像特征

利用甬数S-粗集,给出图像生成;提出F-隐形图像的概念,给出F-隐形图像的构成结构;给出F-隐形图像的属性特征;提出F-隐形图像分离定理与还原定理,给出F-隐形图像在图像信息系统中的应用.     

S-粗集的副集α-生成粒度

利用S-粗集理论,给出单向副集As(Xσ)的α-生成粒度,双向副集As(X*)的α-生成粒度等概念;提出单向副集As(Xσ)的α-生成粒度特性定理,双向副集As(X*)的α-生成粒度特性定理;给出副集α-生成粒度的存在背景及在风险投资决策估计中的应用.     

粗集理论在知识发现系统中的应用

阐述了粗集理论的基本思想，给出了一个基于粗集的知识发现系统模型，并通过实例说明了这一模型的有效性。     

函数S-粗集与F隐形图像生成-辨识

利用函数S 粗集, 给出图像生成, 提出 隐形图像的概念、构成结构、 隐形图像的属性特征和分离定理与还原定理, 给出 隐形图像在图像信息系统中的应用。     

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-粗集的副集η-嵌入与η-嵌入定理

利用S-粗集，定义了单向S-粗集的副集η-嵌入，双向S-粗集的副集μ△γ-嵌入的概念；给出单向S-粗集的副集η-嵌入的特性，双向S-粗集的副集μ△γ-嵌入的特性；提出单向S-粗集的副集叩．嵌入定理，双向S-粗集的副集μ△γ-嵌入定理．     

基于单向S-粗集的知识堆垒与知识垛识别

利用单向S-粗集,给出知识堆垒及它生成的知识垛的概念,知识垛具有动态特性,给出粗知识垛的生成,提出粗知识垛生成原理及还原定理,提出粗知识垛分辨尺度及识别准则与识别定理,并给出应用。     

函数单向S-粗集的副集的α-生成规律及其应用

给出函数单向S-粗集生成的内副集概念;副集、内副集的α-生成及其生成规律;利用系统生成规律,预见副集的α-生成对函数单向S-粗集的影响,最后举例说明副集的α-生成规律在经济系统分析中的应用.     

单向S-对偶粗决策规律与决策规律挖掘

利用单向S-粗集对偶,给出单向S-对偶粗决策规律生成方法;给出上决策规律,下决策规律,单向S-对偶粗决策规律核,单向S-对偶粗决策规律带的概念. 利用这些概念,提出下决策规律传递定理, 上决策规律传递定理,分离的属性定理,粗决策规律挖掘定理与粗决策规律挖掘准则.     

基于单向S-粗集的数据分层挖掘

S-粗集(singular rough sets)是对Pawlak Z粗集的改进,单向S-粗集(One direction singular rough sets)是S-粗集的基本形式之一.利用单向S-粗集,本文给出数据属性,数据分层挖掘概念,数据分层挖掘序定理,合成数据分层挖掘定理,及数据分层挖掘准则,利用这些结果,给出应用.说明单向S-粗集是动态数据分层挖掘研究的一个新工具.     

基于模糊集μRX的α-截集和强β-截集的粗近似

研究了基于模糊集μ^R_X的α-截集和强β-截集的粗近似问题，提出了(α,β)-粗糙集模型，讨论了粗糙近似算子的一些重要性质，给出了粗糙度和近似精度的定义和性质，证明了该模型比Pawlak粗糙集模型具有更好的精度．     

S-粗集知识的动态推理与识别

利用数理逻辑中命题逻辑的形式, 给出知识系统受到外部属性干扰时, 干扰的逻辑推理结构, 知识的动态推理与识别, 提出知识的推理识别定理, S-粗集的推理识别定理, 知识的动态推理识别原理。 给出知识的动态推理与识别在知识动态识别中的应用。