决策表正域约简区分函数条件的改进

文章对Skowron提出的区分矩阵中元素满足的条件作了改进,使得对条件的判断较原来更为简单,并且区分矩阵中满足该条件的元素较原来更少。这样降低了用区分函数计算约简的复杂度,对手工操作和计算机处理均较为有效。该文的安排是这样的:首先,在正域图中从两个方面直观地显示了该文思路的出发点;然后,对改进条件给出了证明;最后,用例子说明了改进条件的有效性。     

粗糙集的直觉模糊特殊集表示及其在属性约简中的应用

在近似空间〈U,θ〉的框架下,讨论了直觉模糊特殊集及直觉模糊特殊σ-代数的若干性质,给出了粗糙集的直觉模糊特殊集表示及生成方法.分析了直觉模糊特殊集之间的距离(Hamming距离和Euclidean距离)与决策规则的确定区域之间的关系,并使用Harmming距离或Euclidean距离实现了粗糙集理论中的属性约简.     

基于区间值推理的模糊神经网络

在区间值模糊推理的理论基础上，提出了基于区间值推理的模糊神经网络。主要是将模糊逻辑规则利用神经网络来实现，给出了基于IVFR的FNN的结构以及通过两个模糊集的贴近度作为误差反馈的学习算法。     

模糊信息系统中基于OWA算子的模糊粗糙集模型

在模糊信息系统中,属性值并不是一个确定的值,而是一个隶属度函数。因此,通过利用有序加权平均(OWA)算子聚合对象间在每个属性上的差异,刻画出对象之间的相似性,定义对象的相似度并讨论其相关性质。借助对象相似度,通过逻辑关系和相应的函数运算,分别给出了对象隶属于上、下近似集合的隶属度。最后,通过实例分析说明在模糊信息系统中,该相似度能较准确地刻画出对象的相似性,同时,对象对于上、下近似的隶属度能更直观、合理地反应对象隶属于某一集合的上、下近似的情况,且能更合理地描述这一粗糙集合。     

基于粗糙集与相关向量机的文本分类新方法

研究信息检索优化问题,在文本分类领域,分类方法由于训练样本的混合重叠及文本的维度过高而导致分类精度及效率的下降,为了提高分类精度,把粗糙集理论与相关向量机相结合,提出一种新的文本分类方法,首先依据粗糙集理论对决策表进行属性约简,把冗余的属性从决策表中删去,降低了文本的维数,利用相关相量机具有对噪声数据不太敏感、无需多余参数调整等特点,对文本进行分类.新方法能充分利用二者的优势,同时克服了RVM本身弱点,很好地解决了上述问题,进行仿真与其它分类算法进行比较,证明新方法能够有效提高分类精度,可为设计提供实用有效的算法.     

不协调决策表中基于对象的近似约简

对不协调决策表中基于对象的近似约简问题展开研究。首先,给出近似约简的判定定理;其次,通过区分矩阵与区分函数给出约简的计算方法;最后,通过实例验证,决策表中基于对象的近似约简与整体约简相比,不仅可以获得更简洁的知识,并且在实际生活中具有较好的应用价值。     

基于分子格的粗糙集模型推广

粗糙集模型的推广是粗糙集理论研究的重要方向之一。在分子格的框架下,定义了一个从分子到一般元素 的映射,基于该映射,分别构造了两种上近似算子和两种下近似算子,并讨论了这些算子的基本性质。     

基于不协调覆盖决策系统新的分辨矩阵注记

提出了在不协调覆盖决策系统下基于扩展分体思想的分辨矩阵以及相关基本知识,给出其相对应的属性约简算法及其解释分析,与其他基于分辨矩阵的算法进行比较,分析了该方法的优越性和实用价值。     

基于覆盖的粗糙近似算子

研究Bonikowski覆盖近似算子。借助覆盖近似空间的代表元,证明了下近似算子保交、上近似算子保并、以及上近似算子单调等是相互等价的,另外给出了上、下近似算子对偶的等价条件。     

变精度粗糙模糊集模型研究

介绍了Ziarko’s变精度粗糙集模型和粗糙模糊集模型,找出了它们的不足。基于支集相对错误分类率及误差参数β（0≤β<0.5）,提出了变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与Ziarko’s变精度粗糙集模型和粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性。