基于双论域的一般多粒度模糊粗糙集

首先定义了各论域上的支撑函数;其次通过支撑函数分别给出了不同论域一般多粒度模糊下上近似算子的定义,建立了双论域的一般多粒度模糊粗糙集模型;此外,还讨论了各近似算子的性质.     

双论域上的变精度粗糙集模型

在不同论域上定义了变精度粗糙集模型,并讨论相关的性质及其应用。     

双论域粗糙集的不确定性度量

为了进一步扩展粗糙集的应用范围和灵活性,利用构造性方法研究了双论域粗糙集的不确定性度量,分析了双论域粗糙集不确定性度量与由双论域粗糙集诱导的Pawlak粗糙集的粒度之间的关系.通过比较Pawlak近似空间中粒度的大小,定义了不同信息系统中关系的粗细程度,给出了反映信息系统分类能力的双论域粗糙集信息熵和信息粒度的定义,研究了双论域粗糙集信息熵和信息粒度与信息系统中关系的粗细程度之间的关系.结果表明：双论域粗糙集的信息熵越大,信息系统的不确定性越强,信息系统中关系的区分能力越弱;信息系统的关系越精细,双论域粗糙集的信息熵越小,双论域粗糙集的信息粒度越小.     

两个论域上的粗糙集模型及其应用

主要从标准粗糙集出发介绍了将单个非空有限论域上的粗糙集推广到两个非空有限论域上形成的两个论域上的粗糙集,对其性质进行了讨论,以及该模型在疾病诊断上的应用．     

双论域多粒度模糊粗糙集近似的并交关系

模糊粗糙集是一种强健的不确定性处理模型,其拓展及相关性质具有重要意义.针对双论域多粒度模糊粗糙集,研究并交近似与近似并交的关系,得到悲观双近似算子与乐观双近似算子对于并交运算的保持性或拓展性,最后用一个医疗实例进行性质说明与有效验证.对于并交系统性质,其中的悲观模型与乐观模型分别具有与经典粗糙集模型的一致性与差异性,所得结果揭示出双论域多粒度模糊粗糙集的扩张特性.     

基于一般关系下的双论域粗糙集模型

通过构造性方法对原始的粗糙集模型进行推广,提出了一般关系下的双论域粗糙集模型,并且讨论了该近似空间的上、下近似算子的一些性质,初步探讨了定义在双论域上的某些特殊关系下的近似算子的一些性质.     

双论域粗糙集的近似分类精度度量

由等价关系R所决定的近似空间(U,R)上,可用近似分类精度来表示可能的决策中正确决策的百分比。将近似分类精度概念推广到一般关系双论域粗糙集的近似空间上。通过引入独立集概念,给出了度量公式,最后通过实例验证了其合理性。     

双论域的粗糙集模型

通过构造性的方法,对原始的粗糙集模型进行推广,提出双论域上的粗糙集模型,给出了相关的性质。     

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.     

双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型,然而,该模型目前还未有三支决策方面的相关研究。针对这一问题,提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念,然后以贝叶斯决策最小化代价为基础,推导出了双论域模糊概率关系下决策区域的三元划分,即三支决策模型,最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

基于改进BP网络的高校科研项目评价模型

针对高校科研项目评审立项中主观性强的问题,提出了基于改进BP网络的项目评价模型.首先对于传统BP算法,在权值初始化加入混沌序列,并对权值修正过程加权优化,使网络具有收敛快、精度高的优点.然后设计了合理的项目评价指标体系,并给出了具体评价步骤.通过实例仿真说明,提出的改进BP算法用于评价科研项目科学客观,简单实用,有广泛的应用价值.     

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。     

关于模糊粗糙集的一个注记

指出文献[6]中定义的模糊粗糙集的补集不再是模糊粗糙集.为了克服原定义中的缺陷,给出了关于模糊粗糙集的新的补集定义,讨论了相应的运算性质.同时还证明:模糊粗糙集其实就是定义在F格L上的L-模糊集.     

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.     

一般关系下的变精度粗糙集模型

通过分析一般关系下基本粗糙集模型的不足,定义了一般关系下的多数包含关系,借助引入的误差参数α(0≤α＜1/2),给出了一般关系下的变精度粗糙集模型.在该模型中,当α=0时,退化为一般关系下的基本粗糙集模型(Z.Pawlak模型);当|Rs(x)|·α=k时(|Rs(x)|表示元素x后继邻域Rs(x)之基数,k为非负整数),退化为常见的程度粗糙集模型.通过它与一般关系下基本粗糙集模型(Z.Pawlak模型)的比较,可以看出,在引入误差参数α后,能够使尽可能多的有用信息被提取、挖掘.从而克服了基本粗糙集模型中由于要求绝对精确的包含关系而使大量有用信息丢失的现象,并讨论了所给模型的一些性质.最后,在所给模型基础上讨论了一种广义近似空间中集合的相对可辨性、近似依赖和属性约简.     

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。     

一种多粒度覆盖粗糙集模型

多粒度粗糙集是粗糙集模型在多粒度及分布式环境中的一种重要的拓展形式,其主要思想是采用一族而非一个粒空间中的知识来对目标进行粗糙逼近。将多粒度的思想引人覆盖粗糙集模型中,采用一族而非单个的覆盖,提出了一种多粒度覆盖粗糙集模型。     

单向S-模糊粗糙集及其应用

从Dubois模糊粗糙集理论与动态模糊集概念出发,提出了单向s-模糊粗糙集概念和结构,分析了单向S一模糊粗糙集与模糊粗糙集之间的关系,并给出单向s-模糊粗糙集的性质和应用。     

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．     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.