外P-模糊集的截集与扩展粗集模型

P-模糊集是由内、外P-模糊集构成的集合对,内、外P-模糊集是两类不同的动态模糊集。截集方法是研究模糊集理论最常用的方法,提出外P-模糊集的λ-截集、λ-强截集、区间截集及其截集粒度的概念,讨论了外P-模糊集的截集序列粒度定理、区间截集序列粒度定理,给出外P-模糊集区间截集分解定理。利用外P-模糊集粗隶属度函数的概念,给出外P-模糊集A^F的(α_F,β_F)粗集、(1_F,0_F)粗集、(α_F,β_F)概率粗集、(α_F,β_F)的变精度粗集四种粗集扩展模型,讨论了外P-模糊集的(α_F,β_F)粗集定理,并给出其数量特征及关系讨论。     

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.     

Rough集理论与KDD中属性约简算法

针对数据库中知识发现（ＫＤＤ）的信息处理问题,给出了信息系统中的Ｒｏｕｇｈ集理论基本概念的形式化描述,并且提出了一种ＫＤＤ中属性约简算法（ＡＲ）,实例表明该算法十分有效。     

一种基于粗糙集构造决策树的改进算法

基于变精度粗糙集模型,对文献[3]提出的生成决策树方法进行改进,把变精度加权平均粗糙度作为属性选择标准,提出一种构造决策树新算法.新算法用变精度近似精度来代替近似精度,能有效地克服噪声数据在构造决策树过程中对刻画精度的影响,使生成的决策树复杂性降低,泛化能力更强.     

一种基于粗糙集理论的启发式分类规则挖掘算法

粗糙集理论是一种新的数据挖掘算法,文章以属性依赖重要性作为启发信息提出了一种新的属性约简算法,且加入了一定的分类正确度。最后通过一个实例完整演示了本方法,证实其有效性。     

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。     

双向S-属性粗糙集模型

以属性测度空间的粗糙集模型为基础,针对S-粗集中元素的动态特性,提出了双向S-属性粗糙集的概念,讨论了双向S-属性粗糙集的性质,并结合实例就双向S-属性粗糙集的精度进行了讨论。     

双向IS—粗集及其相对精度

在S—粗集的基础上,提出IS—粗集(improper singular rough sets)和双向IS—粗集(two directionimproper singular rough sets)的概念,给出它们的一般数学结构,并讨论了双向IS—粗集的近似精度及相对精度。     

基于贝叶斯粗糙集模型的属性约简算法

在分析贝叶斯粗糙集模型已有的约简算法的基础上,从含有多个决策类情况下的全局相对增益函数的角度,利用二进制编码方法给出一种求贝叶斯粗糙集所有约简及核的算法,并基于实际应用,给出对求出的所有约简进行筛选的拓展算法。通过算例说明算法的实用性和有效性。     

粗糙集的知识获取及其应用

提出了一种基于粗糙集的知识理论模型，运用这一模型对决策表进行属性约简，去除其中不必要的属性，揭示出条件属性中的冗余性，最后得出了属性约简的结果以及决策规则。给出了一个简单的例子来说明如何建立和应用这种知识理论模型。     

粗糙集合在中医诊断中的应用研究

简述了粗糙集合理论的基本概念,并运用这一理论中的部分依赖性原理,计算了胃病病例辩证分型对不同症状的依赖度,分析了症状与辩证分型之间的关系.为提高计算结果的可靠性,进一步计算了辩证分型对任意两种症状共同的依赖度.两种计算结果相吻合,得出的结论与胃病专家咨询一致.为中医对胃病的诊断和治疗提供了有价值的参考.     

区间数排序的粗糙集方法

针对模糊多属性决策中属性值为区间数情况下区间数排序问题,应用粗糙集理论和模糊集理论得到了一种区间数的排序方法:区间数上近似集排序法;区间数下近似集排序法;区间数上(下)近似集折中排序方法.给出了区间数的粗糙集表示,区间数的粗糙集排序方法及其良好性质.详细论证了其与经典的区间数排序的可能度方法相比的诸多优势.同时给出了具体实例并进行了这种方法的应用与验证,以便能更好地理解这种粗糙集排序方法.     

高型粗糙模糊集及高型模糊粗糙集

定义了L型粗糙模糊集（L型RF集），给出了其相关性质，进而引进了高型粗糙模糊集（高型RF集），它比普通的RF集具有更高层次的粗糙模糊性，可用于人们对粗糙模糊现象的描述，增强人们对自然语言的表达能力，平行地，最后研究了高型模糊粗糙集（高型RF集）。     

粗糙集理论及其在数据挖掘中的应用

Rough sets理论被广泛运用于不确定环境下的信息处理.基于粗糙集理论的数据挖掘技术正日益受到计算机科学家和数学家的重视.笔者介绍了粗糙集理论的发展过程和基本特点,粗糙集理论在数据挖掘中的应用,以及典型的基于粗糙集的数据挖掘系统,并介绍了粗糙集理论的研究方向和研究领域,最后论述了粗糙集理论与其他智能化方法结合起来处理信息的必要性.     

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。     

IS-粗糙集理论及其在医疗诊治中的应用

在S—粗集的基础上,提出IS—粗集(improper singular rough sets)的概念,给出单向IS—粗集(one direction improper singular rough sets)和双向IS—粗集(two direction improper singularrough sets)的概念和它们的数学结构,设计了一个基于双向IS—粗集的医疗诊治知识支持系统,为人工智能技术在医疗诊治领域的应用开辟了一个新的思路.     

一种基于粗糙集理论的XML数据挖掘模型

随着大量的XML数据的出现,给数据挖掘领域提出了新的挑战。传统数据挖掘是基于关系数据库和数据仓库的,如何挖掘出XML形式的数据成为研究的热点问题。由于XML文档是一种半结构化数据,使用传统的数据挖掘方法对XML数据进行挖掘是不适用的。提出了一种基于粗糙集理论的XML挖掘模型,并进行了实验,结果表明利用粗糙集理论对XML数据挖掘是可行的。     

粗糙Vague集及其相似度量

对粗糙集和Vague集的概念、知识表示方法进行了研究,提出了粗糙Vague集的概念．研究了粗糙Vague集的相关性质,提出了粗糙Vague集相似度量的方法．     

一种基于粗糙集合理论的树扩张型贝叶斯网络分类器

在许多实际问题中朴素贝叶斯分类器的属性独立性假设是不成立的,为了进一步提高分类精度,许多研究者提出了一些试图放宽属性独立性假定的方法,其中树扩张型朴素贝叶斯分类器是近来广泛研究的一种有效的方法．基于基本粗糙集合理论中属性不精确或部分依赖关系的定义,提出了一种新的选择性受限树型贝叶斯网络分类器．通过实验表明该分类器在大多数实际问题上比当前两种最新的TAN分类器具有更低的误分类率,并且保持了计算上的高效性．     

基于粗糙集模型的入侵检测算法研究

为应对层出不穷的新型网络入侵,提高对未知恶意行为的检测正确率,运用粗糙集理论对入侵检测问题进行建模.先用概率粗糙集建立入侵检测模型PRS-IDM,在此基础上生成基于变精度粗糙集的检测模型VRS-IDM和其中的阈值参数β.在VRS-IDM模型基础上对检测训练集数据进行约简并构造检测规则.模拟检测实验的结果证明本方法具有良好的检测正确率,同时能有效应付未知的潜在入侵行为.