规则"真"的一般概念和"真"规则形式算法

在粗糙集理论框架内研究基于不完备信息系统的决策规则"真"的一般概念,讨论在一般"真"意义下最优决策规则的统一获取算法,其中首先探讨了在研究不完备决策系统时的基本考虑,然后讨论了决策规则的"真"的一般框架,引入了在一般"真"意义下广义决策向量概念,以此为基础,研究了最优决策规则的形式获取算法.     

不一致决策表的分配序约简

在不一致决策表中定义了分配序约简，给出分配序一致集的判定定理。通过定义分配序区分矩阵给出求分配序约简的区分矩阵法。为克服区分矩阵法时间复杂度随系统大小的增加而指数增长的缺陷，通过定义属性的相对重要性，提出一种求分配序约简的启发式算法。通过实例分析说明启发式算法的有效性，为从不一致决策表中获取知识提供了一种有效方法。     

决策表的分布约简和严凸函数下约简的等价性

用严凸函数定义决策表的属性约简，证明用严凸函数定义的属性约简同分布约简是等价的，给出严凸函数定义的相对约简的一个判定定理。     

采样间隔非均匀一阶渐近增长模型及贝叶斯预测

利用贝叶斯预测方法给出采样间隔非均匀情况下的一阶渐近增长模型，当观测误差方差已知时，给出了它的先验分布、预测分布和后验分布的修正递推算法。     

基于贝叶斯分类的分布式网络故障诊断模型

该文提出了一个基于Agent的分布式网络故障诊断系统模型框架，该模型对贝叶斯分类理论进行了推广。模型将先验知识和观察数据结合起来，从而大大改进了系统的诊断性能。模型采用一定的状态检查和验证策略，保证了Agent的自身安全和通信安全。Agent之间各自独立，相互协作，合作完成诊断任务。该模型与特定的系统应用环境无关。因此，该文提供了一个通用的网络故障诊断系统框架。     

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）。     

基于粗糙集理论的模糊信息分类方法

介绍了属性约简的概念,并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。     

一种支持向量回归中超参数自适应方法

在贝叶斯框架下支持向量回归SVR可视为最大化后验MAP回归函数估计的扩展.贝叶斯方法可用来实现模型中超参数的自适应,同时保持SVR稀疏性和凸二次规划的优点.在对SVR的MAP解做Laplace近似获得关于超参数的SVR模型中证据的平滑表达式,使用基于梯度的优化法可导出使证据最大化的最优超参数.通过引入ARD参数到高斯协方差函数中,可进行输入属性的相关性分析和特征选择.给出了在人工和实际回归问题上的应用及其他方法的对比分析.     

模糊粗糙集及其截集

设U为全集．R是U上的一个等价关系，A为U上的模糊集．本文给出了A的λ一截集及强λ一截集的上(下)近似Aλ（Aλ）及Aλ^s(Aλ^s)的若干性质，同时给出了A的上(下)近似与其λ一截集之间的关系．     

一种基于粗糙集的文本分类规则抽取方法

随着文本数据库的日益增大，寻找新的文本数据处理方法变得十分紧迫。本文将粗糙集理论应用于文本自动分类的规则提取，提出了基于粗糙集理论的文本分类方法。把文本特征项的权值进行离散化处理后，作为规则的条件属性，文本所属的类别用作决策属性，构造决策表，然后通过决策表的知识约简算法提取出文本的分类规则。实验结果表明，该方法提取规则的分类正确率较高，分类速度较快。