粗糙逻辑的计量化研究

将计量化方法引入到粗糙逻辑的研究当中,在一种典型的粗糙逻辑[LR]中引入了公式的粗糙真度概念。在此基础上,提出了公式之间的粗糙相似度、粗糙伪距离等概念,得到了粗糙逻辑度量空间。在粗糙度量空间中提出了两种不同的粗糙近似推理模式。这一结果实现了粗糙集与计量逻辑学这两种不同的处理近似问题理论的融合,同时对进一步丰富基于粗糙集的近似推理有一定启示。     

λ-相似关系下的区间粗糙数粗糙集模型

针对经典粗糙集理论在处理区间粗糙数信息系统时的局限性,定义了区间相似度。在此基础上,引入参数[α]和[β],提出了区间粗糙数相似度的概念。引入参数[λ],结合区间粗糙数相似度的概念给出了[λ]-相似关系及相似类的概念,进而提出了[λ]-相似关系下的区间粗糙数粗糙集模型。研究了该粗糙集模型的相关性质,并通过实例对其进行说明。     

粗糙逻辑中公式的Borel型概率粗糙真度

以一种特殊的粗糙逻辑为研究对象,视全体赋值之集为通常乘积拓扑空间,通过利用赋值集上的Borel概率测度,提出了能融合粗糙逻辑与计量逻辑为一体的公式的Borel型概率粗糙真度理论,给出了公式概率粗糙真度的公理化定义,建立起了相应的概率真度表示定理.公式的概率粗糙真度理论可被看作粗糙逻辑中已有工作的计量化,也可看作计量逻辑学中真度理论的粗糙化.基于这一核心概念,进一步给出了粗糙逻辑中已有概念的程度化表示形式,如公式的粗糙度、精确度、公式之间的粗糙相似度等,并建立起了基于粗糙相似度的3种近似推理模式.该结果实现了粗糙逻辑与计量逻辑的和谐统一,为进一步基于粗糙真值的程度化推理搭建了一个可能的框架.     

语义网不精确本体构建方法研究

不精确性包括模糊性和粗糙性,同理不精确本体也包含了模糊本体和粗糙本体.通过对粗糙本体构建方法与模糊本体构建方法的综述,讨论了在不精确本体研究中的关键问题,在此基础上对各种粗糙本体构建方法与模糊本体构建方法进行分析比较.为了解决当前不精确本体构建中的瓶颈问题,提出一种基于包含度理论的不精确本体构建方法,在该方法中将粗糙集与模糊集理论引入传统本体模型,使用包含度理论进行关系描述,讨论了未来的研究方向.     

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.     

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。     

关于近似空间中粗糙包含可能度的研究

粗糙包含关系是粗糙集理论中一个重要概念,粗糙包含关系也是近似空间中的一个拟序关系。文章给出了在同一近似空间中比较两个不同粗糙集的包含可能度的计算公式,研究了粗糙包含可能度的性质,并讨论了粗糙包含度、粗糙度和划分加细关系之间的联系。     

层次粒结构下粗糙模糊集的不确定性度量

众所周知,经典粗糙集的不确定性来自于边界域,但是对于粗糙模糊集来说,其正域和负域中的元素存在不确定性,从而导致粗糙模糊集的不确定性不仅来自于边界域,还来自于正域和负域。另外,在粗糙模糊集中,一个模糊概念可以通过层次粒结构中不同的粗糙近似空间进行刻画,随着粒度的变化,模糊概念的不确定性的变化规律如何？对此,文中提出一种基于模糊度的不确定性度量公式,并基于均值模糊集分析了粗糙模糊集模型,得出粗糙模糊集不确定性度量的模型同样适合于度量概率粗糙集的不确定性的结论。其次,采用基于模糊度的不确定性度量方法,揭示了分层递阶的多粒度空间下粗糙模糊集不确定性的变化规律。然后,分析了3个域(正域、边界域和负域)的不确定性,并揭示了它们在分层递阶的多粒度空间下的变化规律。最后,通过实验验证了所提不确定性度量理论的有效性。     

概念格中基于粗糙熵的属性约简方法

属性约简是概念格理论的研究重点内容之一。通过将粗糙熵引入概念格理论中,定义了一种粗糙熵约简。首先,基于所有概念外延定义了形式背景的粗糙熵,并分析了它的性质;其次,定义了形式背景的粗糙熵约简,并揭示了粗糙熵约简与概念格约简之间的关系;在此基础上,基于属性重要度设计了计算粗糙熵的启发式算法,并通过实验验证了该算法的有效性。     

覆盖粗糙模糊集的组合熵与组合粒度研究

针对覆盖粗糙模糊集的组合熵与组合粒度的度量问题.定义了覆盖粗糙集下对象的相容类,构造了覆盖粗糙集模型的相容关系,提出覆盖近似空间的覆盖簇,引入了覆盖粗糙模糊集模型的组合熵和组合粒度概念,讨论了组合熵和组合粒度的结构并证明了相关的性质并提出了覆盖粗糙模糊集的组合熵粗糙度度量.定义了覆盖簇的相容关系下对象的相容度,提出了相容度下的组合熵概念,证明了相关的定理和性质.最后,引入相容度下组合粒度概念,证明了组合粒度粗糙度存在随覆盖变细,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.     

粗积分与函数粗集的粗糙度

在函数粗集的基础上给出了下近似积分、上近似积分与粗积分的概念,利用这些概念不仅给出了粗积分的可分辨关系、不可分辨关系、有限萎缩性和有限扩张性定理,还定义了函数粗集的精度与粗糙度及二者之间的一些关系,并给出函数粗集的筛选-剩余原则。     

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。     

基于粗隶属函数的粗糙集模型的推广

通过粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系。把粗隶属函数视为论域上的一个特殊模糊集,用它的!-截集和强"-截集的概念,将经典粗糙集模型进行推广,提出基于等价关系的隶属度粗糙集模型,验证一些有用的性质,并证明该模型比Pawlak粗糙集模型具有更好的精度。最后将基于等价关系的隶属度粗糙集模型拓展到基于一般二元关系的广义隶属度粗糙集模型,并给出其相应的性质。     

粗规律F-分解与规律识别

函数S-粗集具有规律特性、动态特性;利用函数S-粗集和基于函数S-粗集的粗规律生成方法,给出f-分解规律,F-分解粗规律,属性f-扰动度,属性F-下扰动度,属性F-上扰动度等概念; 利用这些概念,提出规律f-分解定理,属性f-扰动度定理,粗规律F-扰动度定理,给出粗规律F-分解识别的基本原理,并给出应用实例。     

广义不完备信息系统中一种拓展粗糙集模型

以同时具有遗漏型和丢失型未知属性值的广义不完备信息系统为研究对象,定义一种用于分类的[α]程度限制优势关系,提出一种基于[α]程度限制优势关系的拓展粗糙集模型,并给出其上、下近似性质。通过一个教师教学质量评估实例,说明这种模型在广义不完备信息系统中处理模糊和不确定知识是有效和可行的。     

基于决策规则质量的属性值约简算法

属性值约简是粗糙集理论的核心内容之一。该文将属性值约简和数据挖掘相结合,给出了支持度、置信度、覆盖度的定义。在此基础上,提出了一个新的属性值约简算法—基于决策规则质量的属性值约简算法。通过算法复杂度分析说明,该算法在一定程度上解决了属性值约简的NP难问题。实例仿真表明该算法在解决一些相关实际问题方面是可行的,具有一定的实用价值。     

粗糙Vague集（值）相似性度量的一种新方法

对粗糙集和Vague集的概念、知识表示方法进行了讨论,把粗糙集和Vague集进行了融合,描述了粗糙Vague集概念,给出粗糙Vague值的相关概念及其相似性度量的一种新方法,研究了粗糙Vague集的相关性质及其相似性度量的方法。     

智能决策中的模糊近似

信息表通过目标集合来描述，目标通过条件属性和决策属性进行描述，在对这样的信息表分析处理过程中，粗糙集理论是一个非常有用的工具，粗糙集合理论的主要观点就是知识的上下近似，在实际中，条件属性和决策属性的概念通常是模糊的，而且可以利用模糊集合来说明，提出了基于模糊集合和粗糙集结合的一种新方法，对包含度进行了定义，给出了截近似和综合函数的概念，应用这些概念并结合具体例子讨论了条件属性和决策属性之间的关系，为决策过程中对条件属性权值的指定提供了理论基础。