一般等价关系下直觉模糊粗糙集模型及其性质的研究

系统研究了一般等价关系下直觉模糊粗糙集模型,给出该模型多种定义形式,详细阐述了上下近似的性质,定义了直觉模糊粗糙集截集的概念,最后给出了该直觉模糊粗糙集模型的分解定理和表现定理,并证明定理的正确性。     

变精度模糊粗糙集的一种定义

模糊粗糙集模型同经典粗糙集模型类似,容易受到噪音数据的影响.针对该问题,受变精度粗糙集模型的启发,提出了变精度模糊粗糙集的概念.针对现有变精度模糊粗糙集模型尚不能满足一些基本性质的缺陷,重新定义了模糊近似空间中某一模糊集的β-下近似和β-上近似,该定义方式能够满足上述的基本性质.     

基于随机抽样的模糊粗糙约简

传统的属性约简由于其时间复杂度和空间复杂度过高,几乎无法应用到大规模的数据集中.将随机抽样引入传统的模糊粗糙集中,使得属性约简的效率大幅度提升.首先,在统计下近似的基础上提出一种统计属性约简的定义.这里的约简不是原有意义上的约简,而是保持基于统计下近似定义的统计辨识度不变的属性子集.然后,采用抽样的方法计算统计辨识度的样本估计值,基于此估计值可以对统计属性重要性进行排序,从而可以设计一种快速的适用于大规模数据的序约简算法.由于随机抽样集以及统计近似概念的引入,该算法从时间和空间上均降低了约简的计算复杂度,同时又保持了数据集中信息含量几乎不变.最后,数值实验将基于随机抽样的序约简算法和两种传统的属性约简算法从以下3个方面进行了对比：计算属性约简时间消耗、计算属性约简空间消耗、约简效果.对比实验验证了基于随机抽样的序约简算法在时间与空间上的优势.     

优势关系下的多粒度粗糙集

从粒计算的角度,经典的粗糙集是建立在单一的粒(等价关系)上的,把它推广到建立在优势关系上的多粒度粗糙集,定义了多粒度下的上下近似。通过对经典粗糙集的比较,得到了二粒度和多粒度下粗糙集的一些性质和结论。并在二粒度和多粒度下,对粗糙集里的边界、近似精度、优势度和综合优势度进行了研究。通过地震数据的例子说明了单粒度和多粒度之间的差异。     

双论域上的广义直觉模糊概率粗糙集模型及其应用

已有的双论域直觉模糊概率粗糙集模型通过设置两个阈值${\lambda _1}$、${\lambda _2} $,讨论了经典集合在直觉模糊二元关系下的概率粗糙下上近似。该模型不能计算直觉模糊集合在直觉模糊二元关系下的概率粗糙下上近似,这在一定程度上限制了该模型的应用。首先给出了直觉模糊条件概率的定义。在直觉模糊概率空间下构造了双论域广义直觉模糊概率粗糙集模型,讨论了模型的主要性质。最后,将模型应用到临床诊断系统中。与其他模型相比,所提出的广义直觉模糊概率粗糙集模型进一步丰富了概率粗糙集理论,更适合于实际应用。     

变精度模糊粗糙集的一种定义

模糊粗糙集模型同经典粗糙集模型类似,容易受到噪音数据的影响 .针对该问题,受变精度粗糙集模型的启发,提出了变精度模糊粗糙集的概念. 针对现有变精度模糊粗糙集模型尚不能满足一些基本性质的缺陷,重新定义了模糊近似空间中某一模糊集的 β-下近似和β-上近似,该定义方式能够满足上述的基本性质.

     

双论域上量化粗糙集模型及应用

双量化方法能够比较全面地刻画近似空间中决策对象的不确定性本质。在双论域框架下讨论了双量化粗糙集的基本模型。通过现实中理疗诊断决策问题给出了双论域量化粗糙集研究的背景和意义,进而通过结合经典变精度粗糙集和程度粗糙集给出了双论域量化粗糙集的基本定义。系统地讨论了其上下近似的基本性质以及与已有粗糙集模型的关系,并给出了其上下近似的矩阵计算方法。基于所建立的理论模型与方法,给出了双论域量化粗糙集在疾病诊断决策中的应用,通过应用算例说明了理论模型的应用过程。     

计算优势关系粗糙集中近似集的快速算法*

优势关系粗糙集克服经典粗糙集无法处理偏序关系数据的缺陷,而减少近似集的计算时间可以提高数据处理的效率.基于此种情况,文中提出计算优势关系粗糙集中近似集的快速算法,在对象和属性同时增加时,能快速计算优势关系粗糙集的近似集.算法改进近似集相关参数的定义,通过尽可能少的参数求出近似集,简化计算过程,提高算法运算速度,节省内存.实验表明,文中算法具有较快的运算速度,尤其当数据量增大或数据类别增多时效果更明显.     

拟阵下的覆盖模糊粗糙集

拟阵是一种图和矩阵的同时推广的概念,而覆盖粗糙集是经典粗糙集的推广。利用拟阵理论研究覆盖模糊粗糙集,从而将两者进行了融合,提出了拟阵覆盖模糊粗糙集的概念,定义了拟阵覆盖近似空间的上下近似。分析了拟阵覆盖模糊粗糙集的相关性质,定义了拟阵覆盖粗糙集下的粗糙度,并通过它来衡量不确定程度,这也进一步推广了粗糙度。     

基于包含度的直觉模糊粗糙集模型

将直觉模糊包含度引入粗糙集与直觉模糊集的融合建模。首先,介绍直觉模糊集在特殊格L上的定义;其次,将模糊包含度拓展到直觉模糊环境下,提出取值于特殊格L的直觉模糊包含度定义和计算公式;在此基础上,分别利用直觉模糊包含度的隶属度与非隶属度定义了上下近似算子,建立了直觉模糊相似关系下的直觉模糊粗糙集模型,并对近似算子的重要性质进行了证明。     

描述逻辑的粗糙扩展研究

由于传统的描述逻辑系统不适于表示不确定的、模糊的知识,本文将基于粗糙集语义的下近似和上近似引入描述逻辑系统中,使用一种简单的方法将传统描述逻辑进行扩展,介绍了粗糙描述逻辑的概念,在粗糙描述逻辑系统中我们可以使用适当的子概念和超概念来对某些模糊的知识进行约束表示。本文主要讨论描述逻辑ALC的粗糙扩展,介绍扩展后所得到的粗糙描述逻辑RALC的语法、语义和相关推理问题,探讨了使用粗糙描述逻辑来对不精确概念进行建模的基本思想,最后提出了一个RALC的可满足性问题的推理算法。本文的工作可以使得在描述逻辑中对不确定的知识进行形式化描述和推理更加方便。     

变精度相容粗糙集模型

将变精度粗糙集的思想引入相容粗糙集,提出了两种变精度相容粗糙集模型,在模型I中,目标概念的下近似和边界域的交集非空;在模型II中,目标概念的下近似和边界域的交集为空。研究了两种模型中上、下近似算子的基本性质、两种模型之间的关系,以及与其他粗糙集模型之间的关系。     

Fuzzy rough set on probabilistic approximation space over two universes and its application to emergency decision‐making

Probabilistic approaches to rough sets are still an important issue in rough set theory. Although many studies have been written on this topic, they focus on approximating a crisp concept in the universe of discourse, with less effort on approximating a fuzzy concept in the universe of discourse. This article investigates the rough approximation of a fuzzy concept on a probabilistic approximation space over two universes. We first present the definition of a lower and upper approximation of a fuzzy set with respect to a probabilistic approximation space over two universes by defining the conditional probability of a fuzzy event. That is, we define the rough fuzzy set on a probabilistic approximation space over two universes. We then define the fuzzy probabilistic approximation over two universes by introducing a probability measure to the approximation space over two universes. Then, we establish the fuzzy rough set model on the probabilistic approximation space over two universes. Meanwhile, we study some properties of both rough fuzzy sets and fuzzy rough sets on the probabilistic approximation space over two universes. Also, we compare the proposed model with the existing models to show the superiority of the model given in this paper. Furthermore, we apply the fuzzy rough set on the probabilistic approximation over two universes to emergency decision‐making in unconventional emergency management. We establish an approach to online emergency decision‐making by using the fuzzy rough set model on the probabilistic approximation over two universes. Finally, we apply our approach to a numerical example of emergency decision‐making in order to illustrate the validity of the proposed method.     

Rough Sets Model Based on Random Fuzzy Sets and Fuzzy Logic Operators

As knowledge block in knowledge base is fuzzy and obtained randomly, we propose a random fuzzy rough set model based on random fuzzy sets and fuzzy logic operators. We give some properties of the random fuzzy rough set. We investigate the relationship between fuzzy measures defined by lower approximation and upper approximation of fuzzy set and fuzzy probability measures.     

Approximations and reducts with covering generalized rough sets

The covering generalized rough sets are an improvement of traditional rough set model to deal with more complex practical problems which the traditional one cannot handle. It is well known that any generalization of traditional rough set theory should first have practical applied background and two important theoretical issues must be addressed. The first one is to present reasonable definitions of set approximations, and the second one is to develop reasonable algorithms for attributes reduct. The existing covering generalized rough sets, however, mainly pay attention to constructing approximation operators. The ideas of constructing lower approximations are similar but the ideas of constructing upper approximations are different and they all seem to be unreasonable. Furthermore, less effort has been put on the discussion of the applied background and the attributes reduct of covering generalized rough sets. In this paper we concentrate our discussion on the above two issues. We first discuss the applied background of covering generalized rough sets by proposing three kinds of datasets which the traditional rough sets cannot handle and improve the definition of upper approximation for covering generalized rough sets to make it more reasonable than the existing ones. Then we study the attributes reduct with covering generalized rough sets and present an algorithm by using discernibility matrix to compute all the attributes reducts with covering generalized rough sets. With these discussions we can set up a basic foundation of the covering generalized rough set theory and broaden its applications.     

变精度粗糙集推广模型及其性质研究

数据挖掘的主要目标之一是进行有效分类,粗糙集的上下近似空间正是为了对信息系统进行分类。变精度粗糙集作为经典粗糙集的推广模型,目前研究仅局限于有限集。针对变精度粗糙集模型无法处理无限集合的问题,在变精度粗糙集和测度的理论基础上,提出了基于Lebesgue测度的变精度粗糙集模型。首先,引入Lebesgue测度的概念,构造了一种基于Lebesgue测度的变精度粗糙集模型,将变精度粗糙集理论推广到无限集;其次,定义了该模型的上、下近似空间;最后,证明了其相关性质。通过理论研究表明,该模型能有效处理无限集合问题,对变精度粗糙集的理论研究形成突破,也将极大的扩充其应用范围。     

实数域上的粗糙函数及其Galois格构建

传统粗糙集理论源于集合论平台，其上、下近似算子在描述函数方面存在缺陷。针对该问题，利用定义在整数轴上能严格划分出单调实函数的标度工具，提出上、下粗糙函数概念，形成实数域上的粗糙函数模型。构建与其匹配的Galois格，并通过可辨识矩阵对其概念格进行了知识约简。     

实值信息系统的随机集粗集模型

变精度方法对噪声数据具有良好的抗干扰能力,随机集映射本质上给出了一个具有良好性质的邻域关系,两者相结合能应对更广泛背景的应用需求。从随机集出发研究实值信息系统的变精度粗糙集模型问题,定义了以概率测度为基础的变精度粗糙集近似算子,并讨论这种模型的相关性质。同时也讨论了实值信息系统的变精度粗糙集模型的合成问题。结果有助于研究复杂系统的知识和信息数据处理的粗糙集模型的构造问题。     

局部广义多粒度粗糙集

多粒度粗糙集的目标概念是一种由多个二元关系诱导的粒结构近似,是粗糙集领域的一个有价值的研究方向,在实际中得到了广泛的应用。然而,当数据集的规模很大时,会出现大量的未标记数据,计算目标概念的近似时需要计算所有对象的等价类,而且需要花费大量的时间来描述目标概念的近似以及复杂的计算过程,因此提出了局部广义多粒度粗糙集模型。首先通过引入特征函数来定义下近似和上近似;其次提出了一种用矩阵求解局部广义多粒度粗糙集下近似和上近似的方法,进一步研究了它们的性质;最后通过实例来验证所提模型的有效性,并给出了求局部广义多粒度粗糙集下近似的算法。此模型可以充分利用目标概念中的数据信息来处理数据,同时可以节省大量的计算时间。