程度粗糙集

从广义程度粗糙集出发,定义了程度粗糙集,深入讨论了其内部构造,得出了程度粗糙集简化运算的重要方法.对比经典粗糙集性质,研究了程度粗糙集3个方面的性质:集合与其程度近似集的关系、程度近似算子的幂作用、程度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.     

基于边界域的变精度粗糙集

粗糙集理论作为分类学习的一种工具,借助一对极值映射的一元算子,利用已知的知识结构表示未知的研究对象.具体主要体现在已知知识包含于未知对象集或与对象集相交不空.随着数据规模的不断增长以及数据形式的日趋复杂,严格意义的包含常常不能满足现实的需要.因此,经典粗糙集忽略了非常接近于严格包含的情况.变精度粗糙集放宽了严格包含关系.弥补了经典粗糙集理论的这一不足.然而,和经典粗糙集相比,变精度粗糙集不可避免地失去了一些基本性质.为了进一步探讨这些性质的本质内涵,在研究已有变精度粗糙集结构和性质的基础上,提出了3类基于边界域的变精度粗糙集模型,比较研究了这些模型之间的联系和区别.结果表明,第Ⅰ类变精度模型是已有变精度粗糙集模型的推广,第Ⅱ类变精度模型则是经典粗糙集的直接拓展形式之一.这2类变精度模型都侧重于从局部多数包含的角度刻画对象集.第Ⅲ类变精度模型侧重从对象集的整体边界域,即整体多数包含的角度描述了未知知识.     

基于程度粗糙集模型的近似约简和近似相对约简

知识约简是在保持知识库分类能力不变的务件下，删除其中不相关或不重要的知识，它是粗糙集理论的核心内容之一。基于程度粗糙集模型提出了知识的近似约简和近似相对约简的定义，并且讨论了它们的一些相关性质。近似约简和近似相对约简是Pawlak粗糙集模型下的约简和相对约简的推广，它们能够在一定误差允许下约简更多的知识，使问题更加简化，同时也为获取近似决策规则奠定了基础。     

基于拟序二元关系的粗糙集模型

目的建立一种基于拟序关系的推广的粗糙集模型。方法按照张文修等人在《粗糙集理论与方法》(科学出版社,2001.)中利用一般二元关系R推广Pawlak粗糙集模型的方法进行研究。结果讨论和建立在拟序关系R下的粗糙集模型,并研究了这种粗糙集模型的代数性质。结论给出了这种粗糙集模型成为Pawlak粗糙型模型的充要条件。     

程度近似算子的复合运算研究

在程度粗糙集模型中定义了程度上、下近似算子的复合运算,研究了复合运算的性质,并给予了严格的证明;最后通过一个实例验证了定理的正确性,同时说明了程度上、下近似算子的复合运算具有幂等率.程度上、下近似算子的复合运算进一步补充和完善了程度粗糙集模型理论和经典粗糙集模型理论.     

覆盖粗糙集模型的性质

讨论基于覆盖理论的粗糙集模型的性质,给出了粗糙集生成的拓扑结构,证明了覆盖粗糙集模型与自反、传递关系下的广义粗糙集模型是等价的,并进而得到了覆盖粗糙集模型的公理化描述.     

基于构造化方法的扩展粗糙集模型研究

从构造化方法的角度对粗糙集模型的扩展研究进行了综述.首先阐释粗糙集理论基本体系结构,然后从基于元素、基于粒、基于子系统、概率等多个角度探讨粗糙集理论中上下近似算子的扩展,并介绍了国内外关于粗糙集模型的扩展研究状况,讨论了当前粗糙集理论的热点研究领域,给出了将来需要重点研究的主要问题.     

基于随机集的粗糙集模型（Ⅰ）

为了处理人工智能中不精确和不确定的数据和知识，介绍了一个新的领域－粗糙集的基本概念及其有关进展，提出了基于随机集的研究框架，进一步用随机集去描述粗糙近似算子，并讨论了随机集、粗糙集和信任函数之间的关系。     

基于包含度的粗糙集模型

提出了包含度近似空间的概念，得到了基于包含度的粗糙集模型，从而为知识获取提供了一个新的不确定性方法。     

基于构造化方法的扩展粗糙集模型研究

从构造化方法的角度对粗糙集模型的扩展研究进行了综述。首先阐释粗糙集理论基本体系结构,然后从基于元素、基于粒、基于子系统、概率等多个角度探讨粗糙集理论中上下近似算子的扩展,并介绍了国内外关于粗糙集模型的扩展研究状况,讨论了当前粗糙集理论的热点研究领域,给出了将来需要重点研究的主要问题。     

基于覆盖的程度粗糙集模型

在基于覆盖的粗糙集模型的基础上,引入分类误差,建立了基于覆盖的程度粗糙集模型,并讨论了该模型的一些相关性质.     

邻域系统粗糙集模型

该文从多视角考虑粗糙近似逼近问题,讨论了邻域系统粗糙集模型的性质.将邻域系统粗糙集模型与两种重要的广义粗糙集模型,即可变精度粗糙集和多粒度粗糙集进行了对比分析,分别根据分类错误率和多粒度构建了不同的领域系统.该文研究结果证明了可变精度粗糙集模型和多粒度粗糙集模型是邻域系统粗糙集模型的特例,邻域系统粗糙集模型是一种更为广义的粗糙集表现形式.     

基于Rough集的MAS协同任务模型

本文在Rough集框架内建立基于任务的多Agent系统（MAS）形式模型，讨论了任务求解的条件和任务的协同度。在求解基于任务极小MAS的基础上，对Agent进行了基本分类，为Agent的角色划定和责任分配提供依据，同时研究了成员Agent的重要度。     

覆盖粗糙集模型转化的方法研究

通过研究邻域覆盖、覆盖导出的划分之间的内在关系,给出了一种新的转化方法.新方法证明了由一个覆盖可唯一导出一个划分、由覆盖与其覆盖约简导出的划分一致等结论,而且得出了由覆盖导出的等价关系的上、下近似算子更加细分等优良性质;提高了集合的近似程度,能更好地用于属性约简、核的求取和规则的生成等方面研究.     

基于模糊覆盖的粗糙模糊集模型

构造了基于模糊覆盖的粗糙模糊集模型,从理论上论证了定义的合理性,刻画了模糊覆盖粗糙集的一些基本性质.     

基于二进制的粗糙集基本运算研究

通过讨论二进制与粗糙集之间的内在联系,提出基于二进制的粗糙集运算理论,并借助二进制的位运算操作,给出粗糙集的上近似集和下近似集、等价类的交、集合的基数的运算算法.该算法比传统的粗糙集运算算法的运算速度更快,效率更高.该算法为扩展粗糙集的应用提供了理论基础.     

基于粗糙集决策树算法的研究

传统的决策树方法在实际应用中存在很多不足,如生成树规模过大,抗噪性较差等,因此,提出了将变精度粗糙集和混合变量集算法应用于决策树分类中,通过变精度和混合属性集分类减小树的规模和过度拟合问题,降低了噪声数据对属性选择的影响,并通过实验证明该算法与传统的算法相比具有较大的优越性。     

粗糙集模型和概率粗糙集模型的若干研究

主要叙述在等价关系、一般关系和概率论中的粗糙集模型，给出它们的定义、性质、各自的几种定义类型和它们之间的联系以及若干例子．     

基于k等价度容差关系的变精度粗糙集模型及其约简算法

针对k等价度容差关系,提出了一种基于k等价度容差关系的变精度粗糙集模型,该模型是变精度粗糙集模型在不完备信息系统中的拓展．在此基础上,定义了变精度粗糙集模型约简的概念,讨论了一种刻画属性重要性的新指标,提出了一种启发式约简算法．该算法能从搜索空间中不断地添加重要的属性,并且删除不重要的属性,从而降低了约简的时间复杂度．最后,通过实例说明该算法的有效性．