覆盖粗糙直觉Fuzzy集模型的一点注记

通过对一类覆盖粗糙直觉模糊集模型中粗糙度定义的分析,对其所存在疏漏进行了改进;再将粗糙熵的概念引入到该模型,研究直觉模糊集的不确定度量;通过例子说明该度量的有效性。     

多粒度覆盖粗糙模糊集模型不确定性研究

针对覆盖粗糙模糊集中存在的上下近似不一致问题.引入一种更为合理的覆盖粗糙模糊集模型,讨论了该模型的结构与相关性质,定义了基于此模型的粗糙度度量方法.基于覆盖粗糙模糊集中粗糙度相等的情形,提出模糊集中极大模糊集的概念,并利用模糊集与极大模糊集的距离问题定义了模糊集的优劣次序,从而有效解决了模糊集在覆盖粗糙模糊集中粗糙度的度量问题.通过引入粗糙熵等相关概念,证明了此模型中仍然存在随最简覆盖变细,两种度量单调减少的规律,并通过实例进行了验证.从而为进一步揭示粗糙集、粗糙模糊集及覆盖粗糙模糊集之间的不确定性度量规律提供了理论依据.     

覆盖粗糙直觉模糊集模型的研究

粗糙集和直觉模糊集的融合是一个研究热点。在粗糙集、直觉模糊集和覆盖理论基础上,给出了模糊覆盖粗糙隶属度和非隶属度的定义。考虑到元素自身与最小描述元素的隶属度和非隶属度之间的关系,构建了两种新的模型——覆盖粗糙直觉模糊集和覆盖粗糙区间值直觉模糊集,证明了这两种模型的一些重要性质,与此同时定义了一种新的直觉模糊集的相似性度量公式,并用实例说明其应用。     

一种覆盖粗糙Vague集模型及其不确定性度量

针对文献[21]提出的覆盖粗糙Vague集模型中幂等性并不成立的问题,提出了一种新的基于近邻域的覆盖粗糙Vague集模型,并讨论了相关性质及与Ⅰ型覆盖粗糙Vague集模型的关系;最后通过引入覆盖粒度空间下知识熵的概念,定义了一种Ⅱ型覆盖粗糙Vague集模型的不确定性度量方法.算例分析表明,Ⅱ型覆盖粗糙Vague模型的不确定性程度随粒度减小而减小.     

基于覆盖的粗糙模糊集的粗糙熵

覆盖约简是研究覆盖去冗余问题的一种有效方法。本文在基于最简覆盖的粗糙集模型的基础上,将粗糙度和粗糙熵的概念引入基于最简覆盖的粗糙模糊集,用来度量其不确定性程度;讨论了它们的一些性质,并通过实例说明粗糙熵比粗糙度更能精确地反映基于最简覆盖的粗糙模糊集的不确定性程度。     

基于覆盖的粗糙模糊集模型研究

在研究覆盖粗糙集模型中,发现对覆盖粗糙集上近似的定义并不一致．简述了各个模型的区别,并在一个较合理的覆盖粗糙集上近似定义上,结合覆盖约简理论,重新定义了基于覆盖的粗糙集模型。讨论了它的一些性质．另外,将模型进行推广,定义了基于覆盖的粗糙模糊集模型,证明了它具有一些较好的性质。     

序信息系统的知识粗糙熵与粗集粗糙熵

在序信息系统中引入了知识粗糙熵和粗集粗糙熵的概念,得到了它们的有关性质,并证明了二者都随着知识确定程度的增强而单调下降的结论,从而给出了序信息系统的信息解释。进一步通过讨论它们之间的联系说明了粗集的粗糙熵可以更精确地度量粗集地粗糙程度。这些结论为序信息系统的知识发现奠定了一定的理论基础。     

覆盖粗糙模糊集的不确定性研究

不确定性度量是粗糙集理论中的基础问题之一。粗糙模糊集的不确定性一方面来自上、下近似集间差异产生的粗糙性,另一方面来自概念外延不清晰产生的模糊性。目前对于粗糙模糊集的不确定性研究仍不够透彻。针对覆盖近似空间下的粗糙模糊集不确定性,提出更加严格的度量修正准则,并借助上、下近似集隶属度与原模糊集隶属度之间的差异,给出修正粗糙度的概念。算例分析表明该方法能够更加准确地刻画实际问题。     

一种新的覆盖粗糙模糊集模型

在覆盖粗糙集与模糊集结合的研究中,已有的覆盖粗糙模糊集模型存在两类问题:一类是元素的上、下近似隶属度之间的差值通常过大;另一类是元素的上、下近似隶属度与其在给定模糊集中的隶属度无关.对此,通过定义模糊覆盖粗糙隶属度,将元素的最小描述与给定模糊集建立联系,同时综合元素在给定模糊集中的隶属度,进而建立一个新的覆盖粗糙模糊集模型.理论比较和实验结果均表明该模型可以有效解决上述两类问题.     

基于覆盖的区间直觉模糊粗糙集

在经典的覆盖近似空间中,定义了区间直觉模糊概念的粗糙近似。通过区间直觉模糊覆盖概念,给出了一种基于区间直觉模糊覆盖的区间直觉模糊粗糙集模型。讨论了两种模型的一些相关性质。     

覆盖多粒度梯形模糊数决策理论粗糙集模型

作为经典Pawlak粗糙集模型的推广,基于论域上的等价关系,针对风险决策分类问题,多粒度粗糙集已有研究。其特点是在力争决策的期望损失（亦称决策的条件风险）最小的条件下,比较客观地确定对象分类区域的概率描述临界值,进而进行对象的最佳分类决策。然而,在实际应用中论域上的等价关系很难把握,况且特征状态的风险损失往往带有某种不确定性。凡此,无疑在一定程度上限制了多粒度决策理论粗糙集的应用。对此进行了研究：提出了覆盖多粒度梯形模糊数决策理论粗糙集模型,分别就平均、乐观和悲观的情形进行了讨论和刻划;得到了覆盖多粒度梯形模糊数决策理论粗糙集与已有相关模型之间的关系;结果和算例表明了模型的广泛性。     

两个论域上的覆盖粗糙模糊集模型

粗糙集模型的扩展是粗糙集研究的主要内容之一,目前已经存在许多有关粗糙集模型的扩展形式。其中基于覆盖而建立的粗糙集模型得到了很大的发展,然而学者们主要是针对单个论域进行研究的,但是实际生活中的问题却往往是在多个论域上的,如在医疗诊断中的应用等。同时考虑到在实际生活中,研究的对象往往是不确定的,即带有模糊的。基于以上考虑,提出了在两个论域上的覆盖粗糙模糊集模型,并对近似算子的性质进行了研究。     

多粒化模糊软粗糙集模型

为了扩大粗糙集理论的应用,特别是在模糊环境中的应用,基于模糊软集和模糊蕴涵算子,主要研究基于软模糊近似空间的乐观多粒化模糊软粗糙集模型。该模型将参数集根据客户的不同要求或目标进行重组,只选择若干相关参数集参与计算上、下近似,这样定义的上、下近似不再由整个属性集决定,而是根据重组后的多个属性集一并生成,从而使结果更加符合实际需求。另外,还定义了乐观多粒化模糊软粗糙集模型的截集并讨论了其相关性质。最后给出了算例。     

两个域上的覆盖粗糙集模型

两个域上的覆盖粗糙集模型推广了一般关系下的粗糙集模型,定义了两个域上的覆盖二元关系,给出了最小子覆盖新的描述,进而得到两个域上基于最小子覆盖的粗糙集近似算子;给出了若干性质和定理的证明;通过与两个域上的粗糙集模型进行实例对比得出了两个域上的覆盖粗糙集模型的优点。     

复合覆盖粗糙集模型及其应用

针对覆盖粗糙集仅适用于单一数据类型的论域覆盖的问题,提出复合覆盖粗糙集模型。在研究邻域覆盖粗糙集、集值覆盖粗糙集、区间值覆盖粗糙集的基础上,在复合数据模型下,通过建立多种覆盖关系（邻域覆盖、集值覆盖、区间值覆盖等）,提出复合覆盖粗糙集模型,并给出复合覆盖粗糙集相关概念及性质。该模型适用于多种数据类型（符号数据、区间数据、集合数据、数值数据等）的论域覆盖问题,通过实例说明了该模型在复合信息系统中的应用,进一步加深对复合覆盖粗糙集相关概念的理解。     

Learning fuzzy rules from fuzzy samples based on rough set technique

Although the traditional rough set theory has been a powerful mathematical tool for modeling incompleteness and vagueness, its performance in dealing with initial fuzzy data is usually poor. This paper makes an attempt to improve its performance by extending the traditional rough set approach to the fuzzy environment. The extension is twofold. One is knowledge representation and the other is knowledge reduction. First, we provide new definitions of fuzzy lower and upper approximations by considering the similarity between the two objects. Second, we extend a number of underlying concepts of knowledge reduction (such as the reduct and core) to the fuzzy environment and use these extensions to propose a heuristic algorithm to learn fuzzy rules from initial fuzzy data. Finally, we provide some numerical experiments to demonstrate the feasibility of the proposed algorithm. One of the main contributions of this paper is that the fundamental relationship between the reducts and core of rough sets is still pertinent after the proposed extension.     

多重粗糙集模型

基于多重集合,对Z.Pawlak粗糙集的论域进行了扩展,提出了基于多重粗糙集理论,并给出了该理论相关内容的完整定义、定理和性质,其中包括多重论域定义、论域对象及其状态与重要度的定义与标识、多重粗糙集对象与Z.Pawlak粗糙集对象的相互转换方法、多重近似集的定义及其性质的证明、多重等价类及其成员关系的定义与性质的证明、多重粗糙集的属性约简与决策分析等内容。这些定义、定理和性质与Z.Pawlak粗糙集既有区别又有联系。多重粗糙集可充分反映知识颗粒间的重叠性,对象的重要度差别及其多态性,可以很方便地实现对象状态间的各种运算,这些特性可为挖掘潜藏在关系数据结构中的知识提供方便。     

多重粗糙模糊集模型

为了充分揭示知识颗粒间的重叠性、对象的重要度差别及其多态性,基于多重集合,对Dubois粗糙模糊集意义下的粗糙模糊集模型的论域进行了扩展,提出了基于多重集的粗糙模糊集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重粗糙模糊近似集、近似精度和可定义集的定义及其各种性质的证明、多重集意义下的粗糙模糊近似算子之间的关系及其与Dubois意义下的粗糙模糊近似算子之间的关系等。多重粗糙模糊集可用于从具有一对多依赖性关系的且具有模糊特性的数据中挖掘知识。     

变精度软粗糙集

从集合间的包含程度出发,构造了一种基于包含度的变精度软粗糙集模型。提出带参数的变精度近似算子的定义,得到了它的基本性质和定理,并给出了证明;定义了双精度软粗糙集的近似算子,研究了其性质;讨论了该模型与其他粗糙集模型的关系以及退化条件;举例说明了在信息处理中的应用。