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。     

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。     

多重变精度粗糙集模型

为了解决Zaike变精度粗糙集模型的论域划分不能重叠的问题,基于多重集合,对Zaike变精度粗糙集模型的论域进行了扩展,提出了基于多重集的多重变精度粗糙集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重论域定义、多重变精度近似集的定义及其性质的证明、与Zaike变精度粗糙集的关系等。这些定义、定理和性质与Zaike变精度粗糙集既有区别又有联系。多重变精度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,这样有利于用粗糙集理论从保存在关系数据库中的具有一对多、多对多依赖性的且认为不相关的数据中发现相关知识。     

基于模糊集截集的模糊粗糙集模型

基于L.A.Zadeh模糊集的截集的概念给出了论域U上任意模糊子集的上、下近似的刻画,得到了基于模糊集的截集的粗糙集模型,亦即模糊粗糙集,实现了用论域U中的模糊集近似论域上的任意模糊集,进一步推广了Z.Pawlak粗糙集模型,扩展了粗糙集的应用范围。最后,研究了其基本性质以及其与其他粗糙集模型的关系。     

双向S-模糊粗糙集及其应用

以Z.Pawlak粗集理论为基础,将动态模糊近似概念引入Dubois模糊粗糙集中。提出了双向S-模糊粗糙集概念,给出了双向S-模糊粗糙集的结构与性质。分析了双向S-模糊粗糙集与Z.Pawlak粗集、Dubois模糊粗集、S-粗集、S-粗糙模糊集及单向S-模糊粗糙集之间的关系。给出了双向S-模糊粗糙集的应用及存在价值。     

覆盖概率粗糙集的模糊性

在经典覆盖近似空间中定义了论域上任意元素x的最小子覆盖,基于任意元素的最小子覆盖给出了覆盖粗糙集上、下近似新的描述,进而给出了已有覆盖概率粗糙集模型在最小子覆盖意义下的描述。同时,以覆盖概率粗糙集的粗糙隶属函数为基础,应用经典模糊集熵的概念讨论了覆盖概率粗糙集模糊性的度量。     

基于强对称关系的广义粗糙集模型

粗糙集的公理化是该理论研究的重要课题之一。文中在分析对称关系下粗糙近似算子的特征公理基础上,提出强对称二元关系。对比等价关系的性质,讨论该二元关系的一些重要特征,给出对称关系成为强对称关系的充要条件,并研究其下广义粗糙集的性质,得到强对称关系下粗糙近似算子的公理化特征。利用相应的特征公理与精确集之间的联系,探讨一般二元关系下论域中精确集的一些重要特征,对拓广粗糙集理论及其应用提供一定帮助。     

多粒度空间与知识推理

旨在建立起多粒度空间中粗糙近似算子与知识推理中认知算子之间的一一对应关系,从而给出多粒度空间中粗糙近似算子更为合理的语义解释。对于任意逻辑公式,通过分析其语义集与加了认知算子后的语义集之间的关系,证明了全知算子EG对应于多粒度空间中模型AIU中的下近似算子,公共知识认知算子CG对应于模型RU中的下近似算子,分配知识认知算子DG对应于模型RI中的下近似算子,所得结论是模态逻辑与Pawlak粗糙集之间对应关系在多当事人环境下的推广。     

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。     

基于程度不可区分关系的粗糙集模型

不可区分关系是粗糙集理论的基础。针对信息系统,提出了程度不可区分关系的概念来刻画信息系统中对象的可区分性程度的差异。提出了基于程度不可区分关系的粗糙集模型,并讨论了模型的基本性质,最后研究了基于程度不可区分关系的粗糙近似算子与Pawlak近似算子的关系。     

双向迁移概率PS-粗糙集模型及应用

在粗糙集基础上,既考虑集合[X]的动态特性,又考虑知识库中的统计信息,构建了概率近似空间上的双向迁移PS-粗糙集模型,讨论了PS-粗糙集的性质及相关定理,证明了PS-粗糙集是S-粗糙集和Z.Pawlak粗糙集的进一步扩展,S-粗糙集和Z.Pawlak粗糙集是PS-粗糙集的特例。与S-粗糙集相比,PS-粗糙集的动态集合[X*]的近似精度得到相对提高,从而提高了决策精度。通过实例验证了PS-粗糙集的有效性。     

基于最优近似粗糙集的属性约简

为了更好地获取由边界域产生的不确定性规则知识,提出最优近似粗糙集的属性约简方法,为此给出了近似空间上粗糙集最优近似集的判定与计算,引入最优近似分布协调集、最优近似分布约简概念.讨论了Pawlak属性约简、分布约简、最优近似分布约简之间关系,得到在协调决策表中它们是等价的,在不协调决策表中最优近似分布约简是分布约简子集.最后通过实例进行了验证与说明     

软模糊粗糙集

软集理论是1999年Molodtsov为了克服传统数学在处理不确定性问题时所遇到的困难而提出的一种新的数学工具。将软集理论与Z.Pawlak粗糙集结合起来,提出了软模糊粗糙集和软模糊粗糙群及它们的同态的概念,讨论了它们相关的性质。     

单向S-区间值模糊粗糙集及应用

以Z.Pawlak粗集理论为基础,将动态区间值模糊近似概念引入区间值模糊粗糙集中。由此提出了单向S-区间值模糊粗糙集概念,给出了单向S-区间值模糊粗糙集的结构与性质。定义了单向S-区间值模糊粗糙集的粗相等、截集、粗糙度等概念,并对一些相关性质进行讨论和证明;给出了单向S-区间值模糊粗糙集的应用及存在价值。     

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。