粗糙集的模糊隶属度表示及其相互关系

利用论域U上任意粗糙集的近似精度ρR(X)定义了基于近似精度的粗糙隶属函数,实现了对任意粗糙集边界域中元素更为准确的刻划.用模糊集的隶属函数进一步揭示了粗糙集的本质.     

基于邻域的隶属度覆盖粗糙集模型

通过覆盖粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系.把覆盖粗隶属函数视为论域上的一个特殊模糊集,用它的α-截集和β-强截集的概念,将覆盖粗糙集模型进行推广,提出基于邻域的隶属度的覆盖粗糙集模型,并讨论了其性质.     

多元粗糙模糊回归预测

基于粗糙模糊数及最大隶属原则，建立了多元粗糙模糊回归模型，并用于预测，为预测提供了一条新思路。     

基于覆盖的粗糙隶属函数

粗糙隶属函数最初是基于等价类的,然后被推广到拓扑结构上.注意到无论是等价类还是拓扑都构成了论域上的一个覆盖.鉴于此,我们引入了基于覆盖的粗糙隶属函数的概念,并研究了其性质.     

基于覆盖的粗糙隶属函数

粗糙隶属函数最初是基于等价类的,然后被推广到拓扑结构上.注意到无论是等价类还是拓扑都构成了论域上的一个覆盖.鉴于此,我们引入了基于覆盖的粗糙隶属函数的概念,研究了其性质,并给出了一个公理化的定义.     

粗糙集的隶属度算子

在经典的Pawlak粗糙集模型中,RX是由那些根据知识尺判断可能在X中的U中元素 组成的集合.bnR(X)是由那些根据知识既不能判断肯定在X中又不能判断肯定在～X中的U中元素组成的集合.但元素隶属于RX或bnR(X)的程度却没有给出.提出并定义了一种粗糙集的隶属度算子.对于论域U, x∈U及X U,该算子可计算元素x的依R在X的上近似中的程度,以及依R在X的下近似、边界、负域中的程度,并据此建立了一种基于该算子的粗糙模糊集模型.     

不完备信息系统中的模糊度的性质及其应用

从一种新的粗糙集中诱导出不完备信息系统的模糊度,讨论了模糊度的性质并通过例子指出了它的应用.     

后验概率加权的模糊隶属度函数

模糊支持向量机（FSVM）中的模糊隶属度函数确定一直是一个难点问题。针对支持向量分类机对噪声数据或孤立点非常敏感的问题,受贝叶斯决策理论的启发,结合样本密度特性,研究样本点相对于同类和异类的关系,对各样本点分布的紧密程度给出了描述,构造了样本点的后验概率与样本密度的加权方法,提出了一种新的加权模糊隶属度函数构造。该方法避免了对噪声数据和孤立点的检测。通过建立基于提出模糊隶属函数的FSVM进行仿真,实验表明,提出的模糊隶属度函数构造的后验概率加权方法的有效性。     

一种基于定性基准变换的模糊隶属度表示法

从基准变换角度,给出了一种基于定性基准变换的模糊隶属度表示法：在性质拓扑空间中进行的基准变换Tij,令区间域R={eik,eik 1],k=0,1,…,n}为（0,1]上的一个划分,设性质Pi(x)的基准域簇为τi={Nik},映射Hλ,τi→R为基准变换的扰动系数映射,在扰动系数映射下可以构成集合套H：（0,1]→Nim,从而可以确定一个模糊集：A＝∪λ∞（0,1]λTijHλ^-1(λ）,最后的隶属度的确定的数学表达为：μ（Pa(t)=sup{λ|Pa(x)→Tij Hλ^-1(λ）,λ∈（0,1]}。     

信号处理中模糊隶属函数的选取方法

隶属函数建立了模糊信号与精确数学表达之间的联系,它在模糊信号的研究中具有非常重要的地位。阐述了构造隶属函数的基本原则,并进一步分析了现今的隶属函数构造方法。     

基于模糊集和粗糙集理论的故障诊断方法的研究

概括介绍了模糊集粗糙集的基本理论,对基于它们的故障诊断方法进行比较,并提出在故障诊断方法中一些可能的研究方向。     

On mathematical structures of fuzzy rough set algebras

In rough set theory, the lower and upper approximation operators are important notions defined by a binary relation. In this paper, we introduce a general type of relationbased fuzzy rough model determined by a triangular norm. Properties of fuzzy rough approximation operators are examined. The fuzzy rough approximation operators are also characterized by axioms. A comparative study of the fuzzy rough set algebra with other mathematical structures such as fuzzy topological spaces, fuzzy measurable spaces, and fuzzy belief structures is investigated.     

基于误分类代价的粗糙模糊集近似集

粗糙模糊集的近似集提供了如何利用已知的信息粒来近似描述模糊知识的方法,但在构建近似集时并没有考虑误分类代价这一实际因素.针对此问题,从误分类代价的角度,提出了粗糙模糊集的近似表示R(X),并揭示了多粒度知识空间中不确定性域对应的误分类代价随着粒度细化的变化规律.实验结果表明,R(X),R(X)和R(X)分别作为X的近似集时,R(X)产生的误分类代价最小,在一定程度上反映了R(X)作为近似集时的优势.     

基于t-模的广义模糊粗糙集的不确定性度量

对于基于t-模的广义模糊粗糙集模型,利用一种新的信息熵研究这种广义模糊粗糙集的不确定性度量。     

基于模糊粗糙集理论的信息检索方法的研究

信息检索中的词汇挖掘就是利用给定域范围的词汇来提高用户查询效率，大多数情况下信息检索系统上的查询不是优化的。词汇挖掘可以使我们在查询上进行泛化、特化或者其他基于词汇转换的操作来提高查询性能。本文将粗糙集和模糊集理论结合起来研究了一种新的词汇挖掘框架，该框架即使当文本和查询使用加权表示即模糊表示时，也可以用基于粗糙集的近似集合。     

A game-theoretic perspective on rough set analysis

Determining the correct threshold values for the probabilistic rough set approaches has been a heated issue among the community. Existing techniques offer no way in guaranteeing that the calculated values optimize the classification ability of the decision rules derived from this configuration. This article will formulate a game theoretic approach to calculating these thresholds to ensure correct approximation region size. Using payoff tables created from approximation measures and modified conditional risk strategies, we provide the user with tolerance levels for their loss functions. Using the tolerance values, new thresholds are calculated to provide correct classification regions. This will aid in determining a set of optimal region threshold values for decision making.     

基于粗糙集的属性约简的矩阵方法

粗糙集理论中，属性约简是知识挖掘的核心。知识获取是根据对象间的某种关系如等价关系、相似关系等来定义。受关系的矩阵表示的启发，本文提出知识的矩阵表示以及属性约简的矩阵方法，这种表示和约简方法具有形式简单规范、运算工整的特点。实例验证了该方法的合理性和有效性。     

一种新的双论域上模糊粗糙集

粗糙集模型的推广一直是粗糙集理论研究的一个热点.该文基于模糊相容关系,定义了双论域上模糊集的上下近似算子,从而得到了一种新的双论域上模糊粗糙集模型,并研究了它的性质.     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.