粒计算研究综述

粒计算（granular computing）是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法．它覆盖了所有有关粒度的理论、方法和技术，是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具．首先回顾了粒计算研究和发展状况，介绍了粒计算的基本组成和问题，综述了粒计算的基本模型和方法，并讨论了它们之间的相互关系，最后探讨了构建统一的粒计算模型、复杂问题空间的粒化、粒层之问的转换、高效的粒计算方法、新的粒计算模型、动态粒计算模型、自主粒计算模型、粒计算方法的模糊化以及粒计算模型的应用和推广等几个方面的关键问题．     

粗糙集与其他软计算理论结合情况研究综述*

最近几年,对于粗糙集的研究越来越多,尤其是粗糙集与其他软计算理论相结合的研究更为突出,取得了很多有意义的研究成果。鉴于此,将此方面目前的主要研究状况进行了总结,主要介绍了目前粗糙集与模糊集、神经网络、证据理论等一些其他软计算理论之间的结合研究情况,并对这方面未来的发展提出了自己的观点。     

粒计算的集合论描述

粒计算的形式化研究一直没有被仔细讨论.文中在集合论框架下,对粒计算做了系统研究,给出了粒度空间的三层模型(论域,基,粒结构).借用逻辑语言L判定粒的可定义性,将经典粗糙集通过此模型重新解释.根据模型中从基到粒结构不同的构造规则,引出并可约和交可约粒度空间的定义,分别讨论了不同粒度空间下覆盖、基和粒结构的关系,从而给出从覆盖求基的方法;进一步,利用子系统表示方法对扩展粗糙集以及一般的交可约与并可约空间的上下近似进行了研究,分析了现有的4种基于覆盖的粗糙集模型的合理性;研究了形式概念分析以及知识空间的粒度空间模型,给出这两种理论中上下近似的概念.     

模糊集、粗糙集和商空间理论的比较研究

针对模糊集、粗糙集及商空间理论,从对智能的理解、粒的表示、粒度的定义和粒的关系这4个方面进行比较。分析比较结果可知,它们的共同之处有：用集合定义粒,用粒描述知识;不同之处有：词计算和粗糙集理论分别从微观角度研究词的推理和属性的约简,而商空间理论是从宏观角度研究粒度的变化规律。     

概念格理论与方法及其研究展望

概念格理论与方法是形式概念分析研究中的基本内容,该研究已取得一系列的重要成果,主要集中在概念格模型推广、概念格构造、概念格约简、基于概念格的规则提取、概念知识空间、概念格的粒计算方法及概念格应用等研究方向.为了进一步促进形式概念分析的研究与发展,文中对现有的概念格理论与方法进行梳理、总结与展望.特别地,指出上述研究方向中存在的关键科学问题,进行一些理论分析,并提出初步的研究思路,为今后解决这些问题提供有益的参考.     

粗糙集理论的新进展及其在智能信息处理中的应用

主要总结了近年来粗糙集理论的研究和进展,介绍了广义粗糙集模型研究的一些主要方面和最新成果,从逼近算子和粗糙隶属函数的角度,讨论了广义粗糙集模型的各种类型,并着重分析了粗集理论在智能信息处理中的应用情况。     

粗糙集理论及其应用

在很多实际系统中均不同程度地存在着不确定性因素，采集到的数据常常包含着噪声，不精确甚至不完整，粗糙集理论是继概率论，模糊集，证据理论之后的又一个处理不确定性的数学工具，作为一种较新的软计算方法，粗糙集近年来越来越受到重视，其有效性已在许多科学与工程领域的成功应用于得到证实，是当前国际上人工智能理论及其应用领域中的研究热点之一，本文介绍了粗糙集理论的基本概念，特点及有关应用。     

粗糙集的近似集

粗糙集是1982年由Pawlak教授提出的解决集合边界不确定的重要方法,它通过两个精确的上、下近似集作为边界线来刻画目标集合(概念)X的不确定性,但它没有给出如何用已知的知识基(知识粒)来精确或近似地描述边界不确定的目标集合(概念)X的方法.首先给出了集合之间的相似度概念,然后分析了分别用上近似集R(X)和下近似集R(X)作为目标集合(概念)X近似描述的不足,提出了在已有知识基(粒)空间下寻找目标集合(概念)X的近似集的方法,并分析了用R0.5(X)作为X(概念)的近似集的优越性.最后讨论了不同知识粒度空间下R0.5(X)与X的相似度随知识粒度的变化关系.从新的角度提出了目标集合(概念)X近似集的构造方法,促进了粗糙集模型的发展.     

粒计算研究现状及展望

在信息处理中,粒计算是一种新的概念和计算范式,其本质是透过合适粒度的层次来对问题进行求解,并且在此过程中去除繁冗,降低实现的复杂度。本文主要对粒计算提出的背景、概念、研究现状及发展趋势进行论述,同时也给出了作者自己的评论,最后探讨了粒计算的进一步发展方向。     

模糊语义下知识系统的结构及信息传播的研究

文中提出模糊概念空间及规则空间,作为对知识系统进行形式化表示的统一框架.首先,基于形式概念分析理论以及L-模糊集构造了概念粒,通过对概念粒之间关联关系的研究定义了概念射,进而构造了高层次知识单元"概念粒簇".概念粒簇由不同概念粒聚合而成,作为模糊概念空间中的结构层次.其次,通过定义概念粒之间语义整合的先验规则以及积运算构造了规则空间,阐明了概念粒在规则空间的作用下相互之间进行信息传播的机制.文中的结论为进一步研究模糊语义下知识系统的动态构成及演化机制奠定了理论基础.     

粗糙集理论及其应用综述

粗糙集理论是一种较新的软计算方法,可以有效地分析和处理不完备信息,该理论近日益受到国际学术届的重视,已经在模式识别,机器学习,决策支持,过程控制,预测建模等许多科学与工程领域得到成功的应用,本文介绍了粗糙集理论的基本概念,对其在各领域的应用情况进行了综述。     

粗糙集理论及其在图像处理中的应用*

首先描述了粗糙集理论的基本概念,包括粗糙集知识表示方法和粗糙集约简理论;叙述了粗糙集理论及其与其他非线性理论相结合在图像处理中的应用情况;最后指出了粗糙集理论应用于图像处理的基本思路,并指出将粗糙集理论与其他非线性理论相结合应用于图像处理,将会产生更加有效的结果.     

形式概念分析对粗糙集理论的表示及扩展

侧重于建立形式概念分析与粗糙集之间融合的理论基础.利用形式概念分析中名义梯级背景(nominal scale)的概念,对信息系统进行平面梯级(plain scaling)得到了衍生的形式背景.证明了粗糙集理论中的划分、上下近似、独立、依赖、约简等核心概念都可以在相应的衍生背景中进行表示.揭示了粗糙集理论在分析处理数据时的局限性,指出了利用梯级的方法可以扩展粗糙集理论.     

基于粗集的模糊属性值信息系统的知识获取

文章研究了一类属性取模糊值的不完备信息系统的知识获取方法。首先给出了信息系统的一种表示方法,同时采用模糊集思想,构造了这类系统的模糊不可分辨关系,并研究了这类信息系统的知识获取算法,并以一个实例,说明了这种算法的有效性。     

Rough集理论与粒计算

近年来，粗糙集理论以其独特的优势在诸多科研领域取得了不俗的表现。在信息处理过程中，统计学方法需要知道数据的概率分布情况，模糊集的方法需要事先给定隶属度函数，而粗集理论不依赖于这些先验知识，利用上、下近似集这两个概念来描述不精确、不一致信息。本质上粗糙集理论是一种粒计算的模型框架。本文主要讨论粗糙集理论的基本概念、扩展模型以及未来的挑战。此外，对于与粒计算的相关概念以及它们在未来发展中的趋势、面临的主要问题本文也有所涉及。     

Rough集理论与粒计算

近年来,粗糙集理论以其独特的优势在诸多科研领域取得了不俗的表现。在信息处理过程中,统计学方法需要知道数据的概率分布情况,模糊集的方法需要事先给定隶属度函数,而粗集理论不依赖于这些先验知识,利用上、下近似集这两个概念来描述不精确、不一致信息。本质上粗糙集理论是一种粒计算的模型框架。本文主要讨论粗糙集理论的基本概念、扩展模型以及未来的挑战。此外,对于与粒计算的相关概念以及它们在未来发展中的趋势、面临的主要问题本文也有所涉及。