Fuzzy拓扑共生g一族与Fuzzy拓扑共生结构

最近A·K·Katsaras建立了Fuzzy拓扑共生结构的基础理论。本文定义了L—fuzzy拓扑共生g—族,讨论了Fuzzy拓扑共生结构与Fuzzy拓扑共生g—族的互相诱导关系。具体地,若g(X)在L—fuzzy拓扑共生空间(Y,S_1)中稠密,则Qs_1={G_(<<1_)∶<<_1∈S_1}是L—fuzzy拓扑共生g—族。反之,如果Q是L—fuzzy拓扑共生g—族,那么S_(1Q)={<<_(1G)∶G∈Q}和S_(2Q)={<<_(2G)∶G∈Q},分别是Y上和X上的L—fuzzy拓扑共生结构。     

基于规则提取的粗-模糊神经网络及其应用

本文基于粗集理论中模糊类对给定范畴的隶属度,给出了一种利用决策表进行规则提取的新方法LBR(Learning By Rough sets),并在此基础上提出了一种新的粗-模糊神经网络(RFNN)模型,以降水量预测为例,得到了很好的拟合效果,从而具有广泛的应用前景.     

程度与精度的逻辑差粗糙集模型

基于程度与精度的逻辑差需求,提出了程度与精度的逻辑差粗糙集模型,并定义了粗糙集区域概念。通过变精度近似与程度近似的转化公式,得到了粗糙集区域的基本结构,提出了计算粗糙集区域的常规算法和结构算法,进行了算法分析与比较,探索并得到了模型在决策表中的应用方向。通过该模型拓展了程度粗糙集模型和经典粗糙集模型。     

基于粗集的规则提取LBR和LEM3

本文基于粗集理论,提出了一种新的规则提取法LBR(Learning By Rough Sets),并对LBR与另一种已有的规则提取法LEM1,即全局覆盖算法(global covering algorithm)进行了比较和讨论.基于比较的结果,得出了将LEM1改进后的LEM3.LBR不但可用于普通的决策表规则提取,更多地可应用于基于模糊划分的规则提取.LBR的提出,极大地简化和丰富了规则提取算法,在已知数据中可获取更为丰富的信息量.而LEM3的使用,则是在将"依赖"(depend on)这一概念推广的基础上,更灵活地使用"覆盖"(covering),扩大了获取规则的范围.LBR和LEM3因其各自不同的优点,在数据挖掘和智能领域均具有广泛的应用前景.     

Fuzzy正规集合与Fuzzy右线性文法的关系

在文献[1]的基础上,对Fuzzy正规集合和Fuzzy右线性文法之间的关系作了进一步的探讨,证明了Fuzzy正规集合的右线性可表示性,为进一步研究Fuzzy正规集合与Fuzzy有限状态自动机的关系提供了一种新方法.     

知识格

定义了知识集、知识等价关系集、知识分类集,研究了其上的并交格和精细格的性质和相互关系。定义了与知识精细关系相容的格算子,并给出了其算法和知识精细关系的充要条件。证明了知识等价关系并交格与知识分类精细格同构,得出了知识并交格中粗糙集知识横向变化的性质。     

基于模糊有限自动机的双模糊拓扑性质

本文研究了由模糊有限自动机的bifuzzy successor算子和bifuzzy source算子所导出的双模糊拓扑.根据这两个算子的性质,我们把它们导出的所有可能的双模糊拓扑系统地进行了分类,并证明了它们都是FFA的双模糊拓扑;进而研究了这些双模糊拓扑之间的关系.     

模糊Moore型自动机的性质(英文)

给出了模糊Moore型自动机可逆、可达和完备的定义;讨论了其相关性质,进而表明这些性质之间的关系,并且研究了模糊Moore型自动机的最小化性质。最后,系统地给出了关于它们的一些重要结果。     

精度与程度的逻辑或粗糙集模型

精度与程度是两个重要的量化研究指标.文中目的是结合精度与程度,探索粗糙集拓展模型.通过研究变精度近似与程度近似的关系,得到两者的转化公式.基于精度与程度的逻辑或需求,提出精度与程度的逻辑或粗糙集模型,提出粗糙集区域,更精确地分划论域.在精度与程度的逻辑或粗糙集模型中,得到粗糙集区域的基本结构,提出计算粗糙集区域的常规算法和结构算法,并进行算法分析与比较.精度与程度的逻辑或粗糙集模型拓展了变精度粗糙集模型、程度粗糙集模型、经典粗糙集模型,并在这些模型中得到相应的粗糙集区域结构.