对粗糙集两种新算子的注记

在粗糙集中，定义了集合并的下增近似和交的上减近似2种算子，它们与确定增量算子和不确定减量算子是等价的．这2种算子简单、直观，成功地解决了粗集运算中将包含关系转化为相等关系的问题，同时，利用它们可以、简化有关算子性质的证明．     

基于粗糙集的属性值约简算法研究

规则提取是数据挖掘的核心步骤,在分析常用属性值约简算法思想的基础上,给出基于不可分辨矩阵的属性值约简算法描述.实验结果表明,这种方法是可行的.     

基于粗糙集理论的系统建模方法

根据粗糙集理论，提出了粗糙集建模的方法，并给出了建模步骤：首先采集系统的输入输出样本集，建立决策表，然后根据相对约简求出属性的重要性，由其重要性得出决策的最简形式，从而得到系统的粗糙集模型。以线性系统为例建立了粗糙集仿真模型，验证了模型的有效性。仿真结果表明，在开环条件下建立的一阶系统粗糙集模型，能适应于开环和闭环，也能适应于可变的输入信号；二阶系统模型只能适应于建模时的情况。该建模方法可以推广到非线性系统的建模中。     

基于变精度粗糙集理论的网格自学习及预测

提出了网格自学习和预测系统体系架构,采用变精度粗糙集和不协调目标信息系统理论揭示有关网格应用属性、网格资源动态状况和网格应用性能之间关系的知识,并采用增量式知识约减算法确定重要属性.利用所发现的知识,可以预测应用的资源需求及其性能.数据实验证明对作业资源需求和运行时间的预测值与实际值的偏差不超过30%.     

基于粗糙集和群决策的配煤中心选址模型

为实现配煤中心的合理有效选址,综合考虑建设成本、运营费用、大面积土地可得性、大面积土地地理位置、交通便利性、自然条件、社会负效应、煤炭储运资源利用等定性、定量要素,基于粗糙集、群决策特征根理论及目标规划方法,建立配煤中心选址综合评价模型。实例分析表明,运用该模型确定的配煤中心选址方案科学合理,为选址决策提供了依据。     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

基于分辨矩阵的交通拥堵关键影响因素提取及解析

为了给规划、建设和管理不同阶段的决策者提供具备整体性和针对性的决策依据,提高决策的实效性,在全面分析提取交通拥堵影响因素集合的基础上,通过类比分析,选取处理多因素且不完备数据的粗糙集理论方法,构建基于分辨矩阵的属性约简算法模型,结合丰富的实测数据验证分析,提取出导致拥堵的关键因素,包括路段长度、路段车道数、区域出行量、出入口数及两端交叉口连接路段通行能力差。分析结果表明：交通供需平衡在交通运行中的关键作用是不容忽视的,应在设施的规划设计和需求的管控方面加强动态调整力度;分析结论对发展程度不同的城市提供确定宏观交通供需配置及微观精细一体化设计重点的理论及数据支撑。     

基于互信息和疑义度相结合的知识约简方法

提出一种基于互信息和疑义度相结合的知识约简方法，遵循修正的互信息准则，发展了一种类似于正交化特性的启发式算法，从决策系统中找出属性集的约简；该方法采用可增可删的双向回归算法，克服了目前前向选择或后向删除的知识约简方法中存在的属性相互依赖或依赖于决策类别的缺点，可保证分类精度不变的情况下，得到更为简化的决策属性集。最后，通过一个简单实例的仿真分析过程验证了文中所提方法的有效性。     

进化粗糙集的逼近最优性

构造了进化粗糙集的表征测度和分解形式 ,讨论了其随机过程和信息几何的属性 ,提出并证明了逼近求解方面其鞅过程和全局最优性条件的数学结论 ,同时给出了相关的定量描述 .结果表明 ,所建立的进化粗糙集结构为符号的非单调逻辑与数值的非线性规划相统一的广义问题求解过程设计提供了必需的理论基础和形式化手段 ,在非确定信息建模与非线性信号处理方面具有重要的意义     

基于等价关系的双粒度粗糙集模型

Pawlak粗糙集模型主要关注的是论域上一个等价关系导出的集合的近似,是单粒度的.通过用论域上的2个等价关系定义集合的近似,把单粒度的Pawlak粗糙集模型扩展到双粒度粗糙集模型.研究了双粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是双粒度粗糙集性质的特殊情况,并且使用双粒度定义的近似度量优于单粒度定义的近似度量,该度量更适合描述概念的精度并更利于解决用户的需求.