基于直觉模糊剩余蕴涵的直觉模糊粗糙集的性质

本文主要研究直觉模糊剩余蕴涵下的直觉模糊粗糙集的构造和性质.定义了直觉模糊集上的剩余蕴涵, 基于该剩余蕴涵构造了直觉模糊粗糙集的上、下近似算子, 并给出了基于不同二元关系下近似算子的性质.     

模糊近似空间中模糊粗糙集的新定义

研究了模糊近似空间上的模糊粗糙集．给出了模糊粗糙集的又一定义．讨论了该定义下模糊粗糙集所满足的性质，从理论上说明了该定义的合理性，同时还论证了该定义下模糊粗糙集的近似精度．     

区间直觉模糊粗糙集的公理化

基于单个以及两个论域之间的区间直觉模糊关系,用构造性方法建立两种区间直觉模糊粗糙集模型,并讨论一些相关性质.在此基础上,用公理化方法给出区间直觉模糊粗糙近似算子的公理化描述.     

蕴涵区间直觉模糊粗糙集及其性质

在区间直觉模糊近似空间上,利用一对区间直觉模糊蕴涵算子(I,J),定义了蕴涵区间直觉模糊粗糙集的概念,并证明了相应的一些重要性质。最后,对区间直觉模糊关系的自反性,对称性和传递性进行了刻画。     

直觉模糊粗糙集的公理化

直觉模糊粗糙集的公理系统是直觉模糊粗糙集理论与应用的基础,文章定义了直觉模糊集的2种运算,基于这些运算和直觉模糊粗糙集公理化模型,给出直觉模糊粗糙集新的公理系统;该系统用一条简洁的公理描述了直觉模糊粗糙集,为直觉模糊粗糙集理论研究的深入和完善提供了有益的帮助。     

用单一公理刻画由复合直觉模糊关系生成的（S,T）-直觉模糊粗糙近似算子

粗糙集理论中的下近似算子和上近似算子是粗糙集理论基础研究和应用发展最重要的概念之一.粗糙近似算子的公理刻画是粗糙集理论研究的一个重要方向.基于[0,1]×[0,1]上的一个直觉模糊三角模T及其对偶直觉模糊三角余模S,给出由直觉模糊关系生成的直觉模糊近似算子的公理方法.证明了由串行、自反、对称、传递等合成的各种直觉模糊关系生成的S-下直觉模糊近似算子与T-上直觉模糊近似算子都可以用一条公理来刻画.     

基于模糊相似矩阵的分类方法

粗糙集理论是一种处理不确定性问题的有力工具，它假定知识是一种对对象进行分类的能力，分类是推理、学习与决策中的关键问题，传统粗糙集所基于的是不分明关系，这往往使得分类过细，因而笔者探讨一种基于模糊相似矩阵的分类方式，把传统的等价关系弱化为模糊等价关系，从而可得到更具表达力的粗糙集模型。     

双论域区间值直觉模糊vague粗糙集及其应用

区间值直觉模糊集可诱导出vague集和粗糙集，而后两者的结合具有不确定性深入分析的优势.立足双论域区间值直觉模糊粗糙集，引入vague集进行融合扩张，研究双论域区间值直觉模糊vague粗糙集.首先，定义区间值直觉模糊vague相容类，构建双论域区间值直觉模糊vague粗糙集模型，提出关于双逼近近似和三支决策区域的计算算法，并确立该模型的精确度、粗糙度、依赖度.然后，研究该模型的近似算子与不确定性度量的性质.最后，采用医疗例子进行模型计算、度量测量、性质验证，并得到关于患者临床诊断的患病分析与治疗决策.     

基于粗糙集理论的模糊信息分类方法

介绍了属性约简的概念,并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。     

一般多粒度直觉模糊粗糙集模型

直觉模糊粗糙集和多粒度粗糙集都是近几年来研究的热门课题.首先通过定义Pawlak近似空间中的支撑函数给出了一般多粒度直觉模糊粗糙近似算子的定义,并讨论了一般多粒度直觉模糊粗糙上、下近似算子的性质.其次,研究了一般多粒度直觉模糊粗糙集(λ1,λ2)截集的定义和性质.此外,还研究了一般多粒度直觉模糊集的不确定性度量以及参数(λ1,λ2)的一般多粒度直觉模糊粗糙集的不确定性度量.最后通过淘宝信息反馈的例子验证了模型的实用性和有效性.     

基于模糊粗糙集的半监督影像分类算法

针对影像分类中少量标记样本问题,提出了基于模糊粗糙集的影像半监督分类算法.首先,通过模糊粗糙集对数据的粗糙性与模糊性进行建模,采用归一化的模糊互信息来度量特征与类别信息的相关性,并利用模糊上下近似度量样本的类别隶属度;然后,结合归一化的模糊互信息改进正则化框架下的特征评价方法,在谱图分析的半监督特征选择框架下实现特征优选;其次,结合近邻约束提高模糊上下近似预测样本类别的准确性,设计基于模糊粗糙集的约束自学习,选择信息量大的未标记样本更新训练样本集;最后,利用新的样本集训练分类器,完成影像分类任务.多组实验表明所提算法能够在少量标记样本的条件下有效提高影像的分类精度.     

基于相对优势度的区间直觉模糊多属性决策方法

基于区间数的相对优势度,提出了区间直觉模糊数的相对优势度概念。通过构建区间直觉模糊数比较的相对优势度矩阵,结合基于互补判断矩阵的排序公式,给出了一种区间直觉模糊数的排序方法,并将此排序方法应用到属性权重未知的区间直觉模糊多属性决策当中。通过算例分析说明了该方法的有效性和可行性。     

基于模糊粗糙集的层次分类增量特征选择

随着大数据时代的到来,数据的类标签数量急剧增加,对现有的分类任务带来了严峻的挑战。为了解决这个问题,人们通常将标签组织成层次结构,使用结构中所包含的信息来对任务进行学习。考虑样本的不断增加,使用模糊粗糙集信息熵设计了一种面向层次分类的增量特征选择算法。考虑兄弟策略,将现有的λ条件熵推广到了层次分类的情形,设计了一种非增量的层次分类特征选择算法,设计了λ增量条件熵,基于此设计了增量版本的特征选择算法。在实验中,采用了包括非增量版本在内的7种不同的特征选择算法在5个层次数据集上与增量算法进行比较,实验结果验证了2种算法的有效性,并且所设计的增量算法能在不影响性能的情况下加快特征选择的进程。     

一种新的直觉模糊推理方法

在直觉模糊集的基础上提出一种新的模糊推理方法--直觉模糊集相似度推理方法,并且对该种方法的还原性进行讨论,给出满足还原算法的条件.     

直觉模糊集的截集

首先指出一个直觉模糊集是L-模糊集且X上所有直觉模糊集的集合是一个完备格．其次,分别给出了直觉模糊集截集、直觉集合套的定义;讨论了有关直觉模糊集截集的性质．在此基础上,给出了直觉模糊集的分解定理和表现定理．最后,讨论了直觉模糊集截集与直觉模糊子群的关系,证明了A是群G的一个直觉模糊子群的充分必要条件是A的截集是G的一个子群．     

一种基于关联矩阵的直觉模糊聚类算法

文章首先定义一种新的直觉模糊集之间的关联系数,利用此关联系数给出关联矩阵;其次,通过平方法把关联矩阵转化为等价关联矩阵,形成聚类原则,得出聚类算法;最后,通过实例对算法进行验证.     

一种基于关联矩阵的直觉模糊聚类算法

文章首先定义一种新的直觉模糊集之间的关联系数,利用此关联系数给出关联矩阵;其次,通过平方法把关联矩阵转化为等价关联矩阵,形成聚类原则,得出聚类算法;最后,通过实例对算法进行验证.