一类广义集值φ-强增生型变分包含问题解的存在性与迭代逼近

研究Banach空间中一类广义集值φ-强增生型变分包含问题，在实的q-一致光滑Banach空间中，证明了这类变分包含问题解的存在唯一性及其Mann迭代程序的收敛性，所得结果推广了最近文献的一些结果．     

基于模糊集μ_X~R的α-截集和强β-截集的粗近似

研究了基于模糊集μXR的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

函数S-粗集与它生成的F-遗传规律

利用函数S-粗集,给出系统粗规律的F-生成, F-遗传概念,给出了系统粗规律的F-遗传特性;提出了系统粗规律的F-遗传特性定理,系统粗规律的F-遗传依赖于属性集α上的属性补充，并提出了系统粗规律的F-遗传的属性特征定理.利用这些讨论,给出了依赖于F-遗传的规律挖掘.     

σ1-空间及其性质

作为m1 空间的推广,定义了σ1 空间，给出了它的充分条件，并研究了它的基本性质.     

一种基于FP-tree的最大频繁项目集挖掘算法

挖掘最大频繁项目集是许多数据挖掘中的关键问题．为克服早期基于Apriori的最大频繁项目集算法中的缺点,相继有多种挖掘最大频繁项目集方法被提出．其中对基于FP-tree的最大频繁项目集挖掘算法比较多,但对FP-tree中的结点的频度计数关注的很少．通过对FP-tree结构进行了仔细分析后,在FP-tree中结点的频度计数和集合理论的基础上,提出了一种新的最大频繁项目集挖掘算法USDMFIA(using set to discover maximum frequent itemsets algorithm)．通过分析比较,显示此算法是有效的．     

基于粗糙集理论的集对分析方法

针对集对分析的基本理论,分析粗集与集对的相似之处,将粗糙集理论与集对论相互嫁接、相互渗透,提出集对分析中的粗糙集方法,用粗集中的上下近似集来定义集对中的同异反联系度.这种方法的研究将有利于融合二者的优势,为确定不确定系统的数据分析、数据挖气掘、知识发现等提供了更扎实的理论基础.     

基于模糊C均值聚类的粗集理论连续属性的离散化新算法

讨论模糊C均值聚类算法在决策表条件属性对决策属性的相容程度的指导下对粗集理论中的连续属性进行离散化的一种新算法。该算法充分考虑属性之间的相关性，将所有连续属性转化为矩阵同时处理，能明显提高传统动态层次聚类算法离散化过程的速度。算法测试结果表明，新算法能较好地保留有效属性，提高离散化精度。     

基于模糊集μRX的α-截集和强β-截集的粗近似

研究了基于模糊集μRX的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

四次多项式填充Julia集的连通性

利用推广了的Branner-Hubbard和Yoccoz的Puzzle技巧研究一类四次多项式f填充Julia集的连通性,得到了f的填充Julia集的一个连通分支是非平凡的(即至少有两个点)充要条件是该分支是周期临界分支,或是某个周期临界分支在f迭代下的逆像.     

快速挖掘最大频繁项目集的新算法

针对关联规则下最大频繁项目集的特性,提出了一种快速挖掘最大频繁项目集的新算法MMFI(miningmaximumfrequentitemsets)。该算法摆脱了传统的经典算法Apriori及其变种情况下的自底向上的搜索策略,利用集合枚举树(set enumerationtree)的变形结构采取了自顶向下的新的搜索方式,并通过其独特的启发式判断策略、候选项目集的生成策略等,大大减少侯选项目集的生成,从而降低了CPU搜索时间,提高了挖掘效率。