σ—可加Fuzzy集上的Fuzzy测度

文[2]在σ-可加 Fuzzy 集上提出了可加 Fuzzy 测度的概念,得到了许多与经典测度一致的很好的结果,但在实际问题中往往会出现非可加的情况,本文研究了σ-可加 Fuzzy集上非可加测度(即 Fuzzy 测度)的结构待征及其性质,并说明文[3]中的绝大多数结果是本文的特殊情形。     

一个新的单调类定理

定义了集类的ｗ类的概念,给出了ｗ类的单调类定理．     

凸集值模糊集与凸集值模糊推理

将区间值模糊集与区间值模糊推理推广到了凸集值情况,通过在Ｃ［０,１］上引入一些新的概念,定义了凸集值模糊集中并、交等运算,讨论了凸集值模糊关系的新的合成运算,并将其应用于凸集值模糊推理。     

一族随机集的本性(凸)闭包及其应用(Ⅰ)(英文)

该文定义了一族随机集的本性（凸）闭包并研究了它的性质,利用它证明了更广泛的集值（上,下）鞅的可选标样定理。     

基于粗糙集理论的图像中值滤波

介绍了粗糙集理论的概念，利用粗糙集理论进行了图像中像素值的分类，提出了一种基于粗糙集理论的图像中值滤波算法，进行了仿真试验，并和传统的图像中值滤波结果进行了视觉上的比较和峰值信噪比指标的比较。实验结果和峰值信噪比指标表明，该算法能有效地滤除图像中的随机脉冲噪声和椒盐噪声，还能使图像保持很好的清晰度。     

基于分布约简的获取规则的增量式方法

根据粗糙集的理论,在信息系统中使用了分布约简的概念,并利用相应的可辨识属性矩阵,提出了一种在决策表中获取规则的增量式方法,该算法对决策表中出现的各种新对象进行分析,在原有的分布约简的基础上进行增量式更新,从而避免了重新计算.     

关于图的哈密尔顿性的一些新的结果

关于哈密尔顿图和哈密尔顿连通的两个基本结果是Ore给出的:设G是一个n(n≥3)阶图,如果对于G的任意一对不相邻顶点u,v,有d(u) d(v)≥n或n 1,则G是哈密尔顿图或哈密尔顿连通的.设G是一个图,对于任意u∈V(G),令N(u)表示u的邻点集;对于任意U∈V(G),令N(U)=∪u∈UN(u).本文利用插点方法,给出了关于k或(k 1)-连通图(k≥2)G是哈密尔顿的,哈密尔顿连通的或1-哈密尔顿的统一证明.其充分条件是关于|N(S)| |N(T)|与n(S ∪T)的不等式,这里S,T是图G的任意两个不交的独立集,并且|S|=s,|T|=1,S∪T也是一个独立集,这里n(S∪T)=|{v∈V(G):dist(v,S∪T)≤2}|.     

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。     

知识发现中概率统计与粗集方法的比较

对知识发现中,概率统计方法与粗集理论方法在评价系统参数的重要性,分类隶属度与条件概率,输入条件与决策结果的依赖关系等方面进行了比较, 提出了将概率统计方法和粗集理论相结合,由确定性粗集的近似空间扩展到了不确定性的概率粗集的近似空间,为确定性和不确定性知识表达系统提供一个统计粗集模型。     

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）。