完备格上基于t算子的直觉模糊粗糙集模型

基于对偶三角模,将直觉模糊粗糙集模型在完备格上进行统一处理:首先在完备格上引入非算子的概念,定义和讨论了完备格上基于t算子的直觉模糊集及其运算法则;讨论了完备格上基于t算子的对偶三角模剩余蕴涵及其相互转化关系;在讨论完备格上基于t算子的直觉模糊集的对偶三角模TS隶属度和非隶属度表示的基础上,给出了完备格上基于t算子的直觉模糊集对应的剩余蕴涵之隶属度和非隶属度计算公式;最后,在定义完备格上基于t算子相似关系的基础上,定义和刻画了完备格上基于t算子的直觉模糊粗糙集模型.     

多粒度粗糙集模型的一致模语义分析

一致模是单位元取自[0,1]中任意数值的新型聚合算子,是常见三角模与三角余模的自然推广.从一致模的角度出发对已有的多粒度粗糙集模型进行了细致分析,进一步,通过将边界域中对象的粗糙隶属度进一步细化,将对象在每个Pawlak空间中的粗糙隶属度进行聚合,给出了对象在多粒度空间中粗糙隶属度的全新定义,并对其语义表示特点进行了分析.     

剩余蕴涵的模糊三Ⅰ方法的约束度分析

由连续三角模导出的剩余蕴涵算子,对模糊三Ⅰ算法的约束度问题进行研究．在原有三Ⅰ方法的约束度理论的基础上,利用三角模和蕴涵算子的性质,讨论该类算子下三Ⅰ方法的约束度理论．给出一般化的α-三ⅠFMP公式和α-三ⅠFMT公式．     

对数copulas函数与一类推广的Frank方程

涉及三角模(T) 和三角余模(S) 的Frank方程,已有很多研究.其问题的提出涉及概率联合分布与边际分布的相互关系,在模糊多值逻辑、模糊偏好评价模型、粗糙集理论等领域有着广泛的应用.利用定义的T,S的对数凸线性函数,讨论了一类Frank方程TSλ=Min·Maxλ(0≤λ≤∞)的解问题,推广了经典Frank方程研究.同时,针对所提出的对数copulas函数,讨论了对数copulas函数与三角模、三角余模之间的关系.     

基于相似度的模糊粗糙近似算子

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具.相似度是用于比较2个相似的模糊粗糙集所包含信息的精确性大小的,是模糊集理论和粗糙集理论的热点问题之一.文章利用一种改进的相似度定义了模糊粗糙近似算子,重新定义了粗糙集的一些概念,给出并证明了模糊粗糙近似算子的几个性质.     

关于k阶模糊关系的直觉模糊粗糙集

本文基于三角模研究了k阶模糊关系下的直觉模糊粗糙集,通过k阶模糊关系定义了近似算子及其性质.     

基于属性相容度和重要度的粗糙集

针对粗糙集属性约简算法中时间效率较低的问题,结合属性相容度模型和属性重要度的模型,提出一种混合相容度和重要度的粗糙集属性约简算法.该算法利用属性的相容度模型,快速地从众多属性中将核集筛选出来,作为基本核集;然后通过属性的重要度模型对基本核集进行补充和完善,作为约简后的最终核集,以确保核集的完整性.实验结果表明,在保证约简结果完整性的基础上,该混合模型算法,大大提高了时间效率,降低了算法的时间复杂度.     

基于包含度的模糊粗糙近似算子

1965年,L.A．zadeh提出了模糊集理论,1982年,波兰数学家Z．pawlak提出了粗糙集理论,将二结合而形成模糊粗糙集及粗糙模糊集．利用包含度的概念定义上模糊粗糙近似算子,下模糊粗糙近似算子,边界．并讨论它的性质．     

粗糙集的贴近度

为描述两个粗糙集的接近程度,提出了粗糙集贴近度的概念,给出了粗糙集贴近度的基本性质．根据模糊集贴近度的几种具体形式,分别定义了粗糙集的距离贴近度,最大最小贴近度,最小平均贴近度以及格贴近度．     

基于多伴随直觉模糊粗糙集的三支决策

决策粗糙集提供了处理不确定数据和风险数据决策问题的一个新方法,基于决策粗糙集的三支决策理论是典型的风险决策理论的推广.传统的直觉模糊粗糙集采用一对三角模与蕴涵算子来构造逻辑算子,未考虑属性之间的差别,而多伴随直觉模糊粗糙集采用多个伴随对构造逻辑算子,更好地体现了用户偏好.构造了多伴随直觉模糊粗糙集模型,研究了基于多伴随直觉模糊粗糙集的三支决策.首先,定义了乐观多伴随直觉模糊粗糙集,并用于处理直觉模糊数的复杂计算问题;然后利用隶属函数和非隶属函数计算损失函数,通过期望损失函数对事件对象进行评估,进一步构造了相应的三支决策模型;基于期望损失函数值最小的原则诱导出三支决策,并得到相应决策的风险值.此模型中期望损失函数的构造是基于支持度与非支持度两种度量的综合讨论,考虑更全面,更能有效地反映实际生活情况,满足用户偏好.最后用医学诊断的例子来验证该模型的有效性.     

广义模糊粗糙集的包含度和相似度

模糊粗糙集是目前数据挖掘领域关注的热点之一，作者在Pawlak粗糙集模型基础上，把一个论域推广为两个论域；把等价关系推广为模糊关系，被近似对象换成模糊集，得到广义模糊粗糙集模型，建立了广义模糊近似空间。在广义模糊近似空间中定义了广义模糊粗糙集上的包含度和相似度，并讨论了此包含度和相似度相关性质。     

静态粗相似度的特征

在公理化相似度的基础上给出了粗相似度的定义，对粗相似度的性质进行分析并由此得出了一系列的结果.根据粗相似度的性质和最大粗相似度原理给出了一个在粗系统中对一个新样本的识别方法.     

信息向量的粗相似度与知识挖掘

利用粗信息矩阵与相似度的概念,提出信息向量的粗相似度矩阵的概念,完整地讨论了粗相似度、粗相似度矩阵的性质,给出了粗相似度矩阵的生成特性及重要的定理。     

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．     

粗糙模糊集的若干区别度度量探讨

区别度是刻画模糊集之间差异程度的一种度量方式,区别度研究具有重要理论意义．本文给出了粗糙模糊集区别度度量应满足的若干条件,提出了三种形式的粗糙模糊集区别度,并讨论了它们的基本性质．     

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．     

两种类型的粗糙度不等式

讨论了粗糙近似算子的性质.基于粗糙集理论,给出了经典集在Pawlak近似空间下的粗糙度不等式取等号的两个等价的充分条件;同时给出了模糊集在Pawlak近似空间下粗糙度不等式取等号的充分条件以及粗糙模糊集水平截集的一些性质.     

基于Lukasiewicz蕴涵算子的Vague集相似度量

分析了Vague集存在未知度,表明了存在不确定性的原因。指出了现有Vague集相似度量方法存在的不足。在充分考虑了Vague集不确定性和对Lukasiewicz蕴涵算子进行研究后,提出了一个基于Lukasiewicz蕴涵算子的Vague集相似度量新方法;并证明该方法满足相似度量基本准则。通过与现有相似度量方法的比较,说明新的相似度量方法克服了现有相似度量方法的不足,考虑了未知度因素对相似度量的影响,能够有效合理地区分数据。     

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。     

多值信息系统的基于相似度的粗糙集模型

在建立一个新的基于相似度的粗糙集模型的基础上,研究该模型的知识约简,并建立了基于相似度的相容矩阵,通过相容矩阵刻画了多值信息系统中的约简问题.