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.     

多粒度空间中的粗糙隶属度与知识粒度

以一族等价关系所构成的多粒度空间为研究对象,在乐观和悲观多粒度粗糙集模型的基础上,给出两种多粒度粗糙隶属度函数以重构乐观和悲观多粒度粗糙集。从多粒度空间中一族等价关系的交集和并集出发,定义多粒度空间上的两种知识粒度,并将这两种知识粒度作为启发式信息,分别构建启发式算法以删除多粒度空间中的冗余粒空间。     

一般模糊熵及其应用

针对广义近似空间,提出了一般模糊熵概念,简便而有效地度量了广义近似空间中粗糙概念的模糊性;讨论了一般模糊熵的性质,给出了一般模糊熵关于目标信息系统属性约简的定理及其证明;结合相对知识粒度,提出一个基于一般模糊熵的属性约简的启发式算法,该算法的时间复杂性为O（（｜P｜＋｜D｜）·（｜U｜4）。通过例子分析,表明该算法是有效的。     

基于多核粒化的模糊粗糙计算模型

传统的单核粒化粗糙集模型没有考虑不同粒化关系的相互影响. 为解决这一问题, 提出了基于多核粒化的模糊粗糙计算模型. 以一族核关系构成的多粒度空间为研究对象, 将乐观和悲观粗糙集模型拓展到多核空间, 定义了基于S-T算子的多核下、上近似算子. 给出了基于多核粒化粗糙逼近的属性选择算法. 实验结果验证了不同核粒化关系之间\"求同存异\"和\"求同排异\"的相互作用.     

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。     

基于随机集的程度粗糙集模型及其应用

分析了传统的基于随机集的粗糙上(下)近似在刻画或近似概念时的缺陷。考虑到元素的集值函数与对象集重叠部分的定量信息。依据集值函数与对象集重叠的多少来刻画或近似对象集。给出了基于随机集的程度粗糙集模型,得出了一系列重要的结论。