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．     

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.     

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。     

副集上的双向粗决策与决策识别

A+s(X*),A-s(X*),分别是双向S 粗集的上副集,下副集.A+s(X*),A-s(X*)是具有动态特性的普通集合,As(X*)上的模糊决策结论是A+s(X*)和A-s(X*)上的模糊决策结论的叠加合成.本文提出副集上的双向粗决策的概念,双向粗决策判定定理和决策识别定理.本文的研究为解决动态决策因素域上的系统决策问题提供了新方法.     

基于泛系等价算子的粗集概念扩展

利用泛系中的等价算子把一般的二元关系转化为等价关系,提出了泛系粗集的概念,使粗集可以处理基于非等价关系的问题,扩展了粗集的应用范围,为信息不完全问题的处理提供了思路,并讨论了几种特定等价算子的特点。     

粗集理论及其应用（一）

作为研究粗集理论的开始，本文首先给出知识的形式化定义和知识库，知识的等价、携主特化等概念的一些基本性质，强调知识与分类概念的联系。当涉及到非为知识时，担保紧粗集概念作为讨论知识的理论基础，因而本文介绍了粗集与集合近似找 近似集合的性质及非精确 数字特征与拓扑特征，最后给出集保的粗等价、粗包含和分类的近似方法。     

基于粗糙集的生产环境数据挖掘系统方法

针对粗糙集确定性模型缺乏处理不确定信息的特点，Z．Pawlak等提出了粗糙集的概率模型，但该模型没有包括如何处理生产数据集纷繁复杂数据的方法，因此提出了应用粗糙集于生产环境数据挖掘的一种系统方法，并应用UCI的数据集对该方法进行了检验，实验结果体现了它的性能与有效性。     

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。     

一般变精度概率近似算子

介绍了一般二元关系下的粗糙集模型,该模型是将经典粗糙集模型的等价关系推广为一般二元关系,此时它将不再形成对象集的划分.另一方面,经典粗糙集模型中的包含关系在很多实际问题中不能完全满足.变精度粗糙集模型通过引入一个误差参数,允许在这个误差范围内尽可能多地提取信息,弥补了经典粗糙集模型在应用中的不足.给出了基于一般二元关系的变精度概率粗糙集模型,研究了一般变精度概率近似算子的一些性质.     

直觉模糊粗糙集

提出了直觉模糊粗糙集的概念,并给出了其上、下近似算子的一些性质,将Pawlak提出的经典粗糙集进行了推广。     

群中粗糙集的同态问题

自Z．Pawlak于1982年提出粗糙集的概念以来，粗糙集的理论与应用都在迅速发展．将粗糙集的思想引入到一个代数系统，可以按十分自然的方式导出所谓的粗糙代数的概念．Kuroki N首次提出了粗糙子群、半群中的粗理想等概念，但对有关同态问题研究不多．文章在Kuroki N定义的粗糙子群和粗正规子群意义下，进一步讨论了群中的粗糙集的同态问题．     

基于包含度的粗糙集模型的推广

在文献[1]的基础上,给出了三个新的基于包含度的粗糙集模型。并指出这些基于包含度的粗糙集模型分别是相应的概率粗糙集模型的推广形式。最后举例讨论了所给模型的一些性质。