基于Rough集的Rough数及入算子的逻辑价值*

本文在介绍Rough集基础上，提出了基于Rough集理论的Rough数概念及其运算法则．并给出了这种Rough数应用实例及其近似程度算子λ在Rough逻辑中的理论价值．     

带Rough相等关系词的Rough逻辑系统及其推理

以公式的定义域集的下和上近似分别相等方法，定义了两个Rough逻辑公式Rough相等，并以此定义了Rough相等关系词“＝R”，它不仅比等值词“←→”运算有更多的直观性，而且既考虑了可定义的公式，也包含了那 边界线上不可定义或可能可定义的公式，所以，经典逻辑中的隐含量φ→ψ被移至Rough逻辑中应当解释为R.(d(φ））包含R.(d(ψ))∧R^*(d(φ))包含R^*（d(ψ））。经典逻辑中的等值式φ←→ψ被移至Rough逻辑中应当解释为R.(d(φ））＝R.(d(ψ))∧R^*(d(φ))＝R^*（d(ψ）），其中d(F)是公式F的定义区域，它可能是可定久集，也可能是不可定义集或Rough集，这是Rough逻辑与经典逻辑与其它非标准逻辑的重要区别之一，将这种Rough相等词“＝R”引入Rough逻辑中，因而得一些相关的性质和相关的推理规则。文本中建立了带Rough相等关系词“＝R”的Rough逻辑推理系统，并在这个系统下用演绎推理方法证明了几个具体的实例。     

Rough函数依赖及其推理机制

在引入Rough函数依赖的基础上，提出了先行上、下冗余因子及结果上、下冗余因子的概念，研究了Rough函数依赖的性质和推理规则，最后分析了Rough函数依赖与函数依赖、Fuzzy函数依赖的关系．     

基于Rough Set理论的推理机制的研究*

对Rough Set理论中属性域约简、决策表及Rough算子等问题进行了研究,分析了Rough Set理论与模糊集理论及证据理论的关系,着重对基于Rough Set理论的推理机制进行了研究。     

Rough逻辑及其在数据约简中的应用

讨论了被定义在邻域值决策表上的Rough逻辑及其公式的真值,它在数据约简中的应用比Pawlak定义的决策表上的决策逻辑更加广泛.目前常用的数据约简方法有Pawlak的数据分析和Skowron的分明矩阵法.前者是非形式的,不易机械化;而后者虽说直观、易理解,但还要求生成一个分明矩阵的中间环节,从而造成时空上的不必要的开销.采取一边从邻域值决策表关于属性值邻域是分明的属性并构成邻域分明合取范式,一边做这种逻辑公式的等价变换直接得到邻域值决策表的诸多约简.由于不用生成分明矩阵的中间环节,这样便节省了空间和时间,     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

领域值信息表上的邻域逻辑及其数据推理

引入了一种基于邻域值信息表的邻域逻辑,它是用邻域拓扑内点和邻域拓扑闭包作为逻辑算子的一种逻辑。其内点和闭包是先经二元关系定义了邻域系统,然后用这种邻域系统来定义它。这种逻辑被定义在信息表上,其表上的每个个体关于属性不是取单独一个值,而是扩充到取一个值的领域。公式的真值被扩充为一个区间或邻域,因此讨论一个公式可满足性的三种类型：邻域内点可满足、邻域闭包可满足和邻域可满足,即将公式的真值扩充为多值,并讨论了这种真值关于逻辑联结词的运算和公式的语义模型。最后还给出了这种逻辑的数据推理。     

Rough Fuzzy集的公理化

在Pawlak Rough集研究路线上,有两种方法经常被采用:一种用代数方法和构造性方法,另外一种是逻辑系统的方法,即利用一个公理系统来刻画上、下近似算子,这种方法亦称为公理化方法.遵循公理化路线对Pawlak Rough集的变异--Rough Fuzzy集进行公理化处理,证明了公理化的存在,并讨论它们的性质.     

增量式的高效属性约简算法

属性约简是Rough集理论的核心内容之一，计算所有的属性约简已经被证明是NP完全问题．在深入研究Rough集理论的基础上，仔细分析了对象集的增加与属性约简的关系，给出了增量式属性约简的判定定理，从而提供了计算所有属性约简的增量式算法，分析了算法的时间复杂度．理论分析和实验结果表明，该约简算法在效率上较现有的算法有显著提高．     

一种属性与值约简简化算法

Rough Set理论是处理不确定性知识、不完整数据的重要工具，在Rough Set中属性最小约简与规则提取NP—hard的．本文针对现有属性约简与值约简算法的问题，分析了区分矩阵的特性，在此基础上，提出了属性与值约简的简化算法，并用实例作了验证．     

粗糙本体构建的格-树转化方法

粗糙本体是处理不精确性信息的一种基础性工具,其存在形式是由粗糙概念和粗糙关系构成的树形结构。粗糙本体的具体形式因为参与构建的领域专家的不同而呈现多样性,然而同样也是由粗糙概念和粗糙关系构成的粗糙概念格却具有结构上的惟一性。粗糙本体的构建因而可以利用格和树的组成与结构的相似性,构建粗糙概念格,转化生成粗糙本体。探讨了格-树转化方法的实现步骤：构建粗糙概念格;聚类粗糙概念格中的粗糙概念生成粗糙概念树;转化粗糙概念树为粗糙本体。构建实例阐释了格-树转换方法的具体应用。     

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。     

粗糙数项级数及其粗糙收敛性质

基于粗糙Cauchy数列,研究粗糙数项级数及其粗糙收敛性质。定义粗糙数项级数的粗糙敛散性,确立粗糙和的离散度量唯一性与连续实值不唯一性,得到数项级数的粗糙收敛与精确收敛的转化关系与性质差异。相关研究推进粗糙数列到粗糙数项级数。     

概念格的粗糙性质研究

研究由粗糙集形式的概念格,定义粗糙形式背景、粗糙概念,给出它们的性质,借助蕴涵算子研究上、下近似运算在粗糙形式背景中讨论了粗糙Galois连接.     

粗糙群中元素的阶与粗糙循环群的性质

自Z.Pawlak提出粗糙集理论以来,众多学者进行了广泛深入的研究,将其拓展至粗糙代数领域。R.Biswas和S.Nanda首次提出了粗糙群（B-N粗糙群）的概念并给出了若干性质,但这一概念本身存在一定缺陷。已有一些研究者指出了B-N粗糙群的定义和结论存在的一些问题,给出了B-N粗糙群的修正定义。以粗糙群的修正定义为基础,提出了粗糙群的阶、粗糙群元素的阶以及粗糙循环群等概念,给出了与之相关的一些性质,通过实例说明了普通循环群的某些性质对粗糙循环群并不成立。     

一种新的粗糙测度

粗糙集理论是一种处理不精确、不确定与不完整数据的新型数学工具。粗糙集的度量是粗糙集理论研究的重要内容之一。提出了上粗糙测度、下粗糙测度与粗糙测度的概念,给出了它们的一些性质,为粗糙集合提供了一种新的度量方式。     

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。     

不完备信息系统中基于模糊测度的知识不确定性度量

考虑到不完备信息系统中属性的相似关系和缺失值对系统不确定性的影响,如果仍然利用分块大小来衡量知识的信息量或粗糙性将变得不合理。本文在信息系统中定义了模糊测度系统信息熵、知识粗糙熵和粗集粗糙熵,证明了模糊测度粗糙熵的合理性及其性质,并举例说明如何选择合理的测度计算模糊测度粗糙熵,最后运用到知识的约简,为信息系统的约简提供了一种新的途径。     

模态逻辑公理的粗糙真语义分析

粗糙真是Pawlak粗糙逻辑的5个逻辑值之一，介于真与假之间．通过对论域U^n上所有近似空间相互关系的讨论，构造了一类代数结构——格，这类格形成了特殊的克里普克语义模型．其目的就是要在这种模型中，对模态逻辑形式推理系统的公理进行语义分析．这种分析不限于真与假的二值讨论，而主要对粗糙真进行重点研究．最终的结果表明模态逻辑形式系统的公理在这类特殊语义模型中基本部粗糙真有效．从而也得到了利用某些公理进行粗糙真形式推理的可靠性．