变异粗集与它的过滤特性

利用变异粗集的概念，提出了变异粗集粒度、过滤度的概念，讨论了变异粗集（X_（a），X^-（a））与Z．Pawlak粗集（R_（X），R^-（X））的粒度、过滤度的关系特征，给出了变异粗集粒度、过滤度的单调性定理。本文的讨论是对变异粗集理论的丰富与发展.     

变异知识与它的过滤特征

利用变异知识的概念，提出了变异知识过滤度的概念，对变异知识[α/R]的颗粒特征、过滤特征进行了讨论．以此为基础，进一步提出了变异知识族的粒度、过滤度的概念，分析了变异知识族颗粒特征、过滤特征．利用这些结果，给出变异知识过滤-分离原理和变异知识过滤剩余-分离原理．     

变异知识与它的过滤特征

利用变异知识的概念,提出了变异知识过滤度的概念,对变异知识［α/R］的颗粒特征、过滤特征进行了讨论.以此为基础,进一步提出了变异知识族的粒度、过滤度的概念,分析了变异知识族颗粒特征、过滤特征.利用这些结果,给出变异知识过滤-分离原理和变异知识过滤剩余-分离原理.     

变异粗集在集对分析中的应用

根据变异粗集方法，将粗糙集应用到集对分析理论中，讨论了集对分析与变异粗集的结合方法，并通过一个例子来说明本文的可行性。     

变异粗集在集对分析中的应用

根据变异粗集方法,将粗糙集应用到集对分析理论中. 讨论了集对分析与变异粗集的结合方法,并通过一个例子来说明本文的可行性.     

变精度单向变异S-粗集及其结构

提出变精度单向变异S-粗集,给出变精度单向变异S-粗集的数学结构,提出变精度单向变异S-粗集与变精度单向S-粗集的等价性定理与变精度变异-对偶原理。     

基于粗集和模糊聚类的协同过滤算法

提出了一种基于粗集和模糊聚类相结合的协同过滤推荐算法,通过粗集理论自动填补空缺评分降低数据稀疏性;然后根据用户对项目评分的相似性对用户进行模糊聚类,并在此基础上搜索目标用户的最近邻居,从而缩小最近邻居的查找范围并产生推荐结果.实验结果表明,该方法能有效的解决数据稀疏性问题,提高了推荐系统的精确性和实时响应速度.     

S-粗集与它的F-记忆

利用s-粗集（singular rough sets）的F-记忆概念，S-粗集的F-记忆结构；提出F-记忆恢复定理。F-记忆链定理，F-记忆环定理和F-记忆链上知识丢失原理．本文给出S-粗集的F-记忆概念，S-粗集的耳记忆结构，提出F-记忆链定理，F-记忆环定理和F-记忆链上知识补充原理。     

S-粗集副集的嵌入粒度

给出单向S-粗集副集As(X°)的η-嵌入粒度,双向S-粗集副集As(X*)的μΔγ-嵌入粒度等概念;利用这些概念,提出单向S-粗集副集As(X°)的η-嵌入粒度特性定理,双向S-粗集副集As(X*)的μΔγ-嵌入粒度特性定理.     

基于Rough集联系度的决策表简化方法

提出了集合型Rough集（粗集）联系度的概念以及利用Rough集联系度对决策表进行条件属性简化和属性冗余值简化的计算步骤，通过算例说明方法比较的Rough集理论中使用范畴的相地简化方法更简单。     

一种多粒度覆盖粗糙集模型

多粒度粗糙集是粗糙集模型在多粒度及分布式环境中的一种重要的拓展形式,其主要思想是采用一族而非一个粒空间中的知识来对目标进行粗糙逼近。将多粒度的思想引人覆盖粗糙集模型中,采用一族而非单个的覆盖,提出了一种多粒度覆盖粗糙集模型。     

一种多粒度粗糙区间模糊集方法

多粒度是利用粗糙集方法处理分布式数据的一种有效手段。为了使得多粒度方法能够用于模糊目标的近似逼近,提出了一种多粒度粗糙区间模糊集方法,分别包括乐观和悲观两种不同的模型。不仅对这两种多粒度粗糙区间模糊集的基本性质进行了讨论,而且通过实例分析表明了新提出的模型用于处理区间模糊问题的有效性。     

一种改进的粗糙集属性约简启发式算法

作为数据挖掘的重要工具,粗糙集理论被广泛的应用于关系数据库中属性相关性描述、属性集约简、属性重要性度量、规则发现等方面。该文在分析基于信息系统的粗糙集理论的基础上,对基于分辨矩阵的属性约简算法进行了详尽的描述。针对该算法存在的时间和空间性能不理想问题,提出度量单个条件属性对系统概念贡献程度的关联度的概念,以此作为启发式信息对原算法进行改进,得到条件属性的约简。理论分析及实验结果表明该算法具有较好的约简效果及更高的运行效率,为粗糙集理论更广泛地应用于具体的实践提供了一种方法。