动态知识智能发现与属性逻辑动态关系

单向S-粗集(one direction singular rough sets)与单向S-粗集对偶(dual of one direction singular rough sets)是S-粗集(singular rough sets)的两种动态结构;在一定条件下,单向S-粗集与单向S-粗集对偶被还原成Z.Pawlak粗集.单向S-粗集与单向粗集对偶分别是S-粗集的基本形式之一.利用单向S-粗集与单向S-粗集对偶,给出动态知识的属性合取范式与属性合取范式萎缩-扩张特征,给出知识推理结构与推理模型.利用单向S-粗集,单向S-粗集对偶,属性合取范式与知识推理交叉、融合、渗透,给出具有属性合取范式萎缩-扩张特征的动态知识生成与生成定理;给出在知识推理条件下的动态知识智能发现与它的属性逻辑关系;给出动态知识的智能筛选、筛选准则、筛选定理与应用.     

S-粗集与数据挖掘单位圆特征

给出单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)的结构。单向S-粗集与单向S-粗集对偶是改进Z.Pawlak粗集得到的,单向S-粗集与单向S-粗集对偶具有动态特性。给出单向S-粗集、单向S-粗集对偶与Z.Pawlak粗集的关系。S-粗集具有三类形式:单向S-粗集、单向S-粗集对偶、双向S-粗集,利用单向S-粗集、单向S-粗集对偶,给出数据内挖掘、数据外挖掘概念,给出数据内挖掘的外同心圆定理、数据外挖掘的内同心圆定理,并给出其应用。S-粗集是粗集理论与应用研究的新分支。     

函数s一粗集，函数粗集与信息系统规律拆分一合成

给出函数单向导粗集(function one direction singular rough sets)、函数单向导粗集对偶Cdual of function one direction singular rough sets)、函数双向S粗集(function two direction singular rough sets)与函数粗集(function rough sets)。它们都是把函数概念引入到S粗集中,改进S粗集得到的。函数粗集是把函数概念引入到Z. Pawlak粗集中,改进Z. Pawlak粗集得到的。函数单向导粗集、函数单向S粗集对偶、函数双向S粗集是函数导粗集的三类形式。给出函数导粗集与导粗集的关系;给出函数粗集与Z. Pawlak粗集的关系;给出函数S粗集与函数粗集的关系。利用这些结果,给出函数的区间离散与有限元素集的生成、函数离散一元素集合生成原理;给出函数导粗集生成的信息规律、函数等价类动态特性一属性补充与删除原理;给出数据拆分一合成原理、信息规律动态拆分一合成的属性特征;给出信息规律动态拆分一合成不变性原理;利用这些概念与结果,给出信息规律拆分一合成与信息图像嵌入一分离的应用,给出嵌入信息图像的分离一辫识。函数导粗集、函数粗集是粗集理论与应用研究中的一个新的研究方向。     

函数S-粗集与规律F-隐藏

函数单向S-粗集(Function one direction singular rough sets)是用R-函数等价类定义的,函数是个规律;函数单向S-粗集具有规律特征、动态特征.利用函数单向S-粗集,给出规律F-隐藏概念,提出规律的F-隐藏定理,隐藏识别准则,给出规律的F-隐藏的应用.规律的F-隐藏是函数S-粗集中的一个新的应用研究方向,函数S-粗集是信息规律研究中的一个新理论与新工具.     

基于单向S-粗集对偶的知识堆垒与知识垛识别

利用单向S-粗集对偶（dual of singular rough sets）,给出知识堆垒及其生成的知识垛的概念,知识垛具有动态特性;给出粗知识垛的生成,提出粗知识垛生成原理及粗知识垛的还原定理,提出粗知识垛分辨尺度及识别准则与识别定理,给出应用。     

双向S-模糊粗糙集及其应用

以Z.Pawlak粗集理论为基础,将动态模糊近似概念引入Dubois模糊粗糙集中。提出了双向S-模糊粗糙集概念,给出了双向S-模糊粗糙集的结构与性质。分析了双向S-模糊粗糙集与Z.Pawlak粗集、Dubois模糊粗集、S-粗集、S-粗糙模糊集及单向S-模糊粗糙集之间的关系。给出了双向S-模糊粗糙集的应用及存在价值。     

Function S-rough sets and law identification

By introducing element equivalence class that proposes dynamic characteristic into Pawlak Z rough sets theory, the first author of this paper improved Pawlak Z rough sets and put forward S-rough sets （singular rough sets）. S-rough sets are defined by element equivalence class that proposes dynamic characteristic. S-rough sets have dynamic characteristic. By introducing the function equivalence class （law equivalence class） that proposes dynamic characteristic into S-rough sets, the first author improved S-rough sets and put forward function S-rough sets （function singular rough sets）. Function S-rough sets have dynamic characteristic and law characteristic, and a function is a law. By using function S-rough sets, this paper presents law identification, law identification theorem, and law identification criterion and applications. Function S-rough sets are a new research direction of rough sets theory, and it is also a new tool to the research of system law identification.     

F-阶梯知识与F一阶梯挖掘一发现

利用单向导粗集((one direction singular rough sets)与它的动态特性,给出F-阶梯知识、F-阶梯度的概念。利 用这些概念,提出F-阶梯知识分辩定理、最小F-阶梯知识挖据发现定理、最大F-阶梯知识挖掘一发现定理、知识发现 依赖一筛选定理与F-阶梯知识内潜藏原理,给出F-阶梯知识挖掘一发现准则及应用。这些结果是单向导粗集的新特性 与单向导粗集的动态特性的新应用。     

具有属性析取扩展特征的内逆P-信息智能挖掘

逆P-集合(inverse packet sets)是由内逆P-集合P-F(internal inverse packet set(X)F)与外逆P-集合XF(outerinverse packet setXF)构成的集合对;或者,((X)F,(X)F)是逆P-集合;逆P-集合具有动态特性.它是研究另一类动态信息与应用的新模型.逆P-集合中元素的属性满足属性析取.利用内逆P-集合的结构,给出了元素的属性析取扩展形式与特征、属性析取扩展条件下的内逆P-信息智能挖掘,以及挖掘定理与智能挖掘原理;给出了满足内逆P-推理与非完整信息条件下的完整信息的智能挖掘-发现.利用这些结果,给出了具有属性析取扩展特征的信息智能挖掘的应用.     

单向S-粗模糊集及其特性

提出动态的模糊集,即单向S-模糊集。由此提出了单向S-粗模糊集概念,给出了单向S-粗模糊集结构。定义了单向S-粗模糊集的截集概念,讨论了单向S-粗模糊集的特性。分析了单向S-粗模糊集与Z.Pawlak 粗集、Dubois粗模糊集以及单向S-粗集之间的关系。给出了单向S-粗模糊集的背景和意义解释,单向S-粗模糊集是具有动态特性的粗模糊集。     

F-粗积分与系统S-粗状态检测-识别

函数单向S-粗集对偶生成的F-粗积分具有一系列动态特性,在此基础上提出了F-粗积分的度量——F-粗扩张度与F-粗扩张率的概念及属性施效识别原则。函数单向S-粗集对偶的变化程度不仅可以得到量化,而且对系统在离散的时间区间上的S-粗状态也可进行检测-识别。这是一个新的研究方向。     

单向S-概率粗集

既考虑集合 的动态特性, 又考虑知识库中的统计信息, 提出了单向S-概率粗集. 讨论了单向S-概率粗集的动态特性, 为获得动态的决策规则奠定了基础. 给出了单向S-概率粗集的意义解释, 单向S-概率粗集是对经典粗集理论和单向S-粗集理论的进一步完善与发展.     

双向迁移概率PS-粗糙集模型及应用

在粗糙集基础上,既考虑集合[X]的动态特性,又考虑知识库中的统计信息,构建了概率近似空间上的双向迁移PS-粗糙集模型,讨论了PS-粗糙集的性质及相关定理,证明了PS-粗糙集是S-粗糙集和Z.Pawlak粗糙集的进一步扩展,S-粗糙集和Z.Pawlak粗糙集是PS-粗糙集的特例。与S-粗糙集相比,PS-粗糙集的动态集合[X*]的近似精度得到相对提高,从而提高了决策精度。通过实例验证了PS-粗糙集的有效性。     

粗集、S-粗集、函数S-粗集及其关系定理

针对Pawlak粗集理论的现况,着重介绍了S-粗集、函数S-粗集的定义、两种结构及对偶形式,详细讨论了S-粗集与Pawlak粗集之间的关系,函数S-粗集与S-粗集、Pawlak粗集之间的关系。最后给出了S-粗集理论的可应用领域。     

S-粗Vague集合及应用

在原始Vague集基础上提出动态的Vague集,即Ｓ-Vague集,由此提出了Ｓ-粗Vague集概念。接着给出了Ｓ-粗Vague集结构与性质,分析了Ｓ-粗Vague集与Z.Pawlak粗集、Dubois粗糙模糊集以及S-粗集之间的关系,给出了Ｓ-粗Vague集的应用。     

基于S-粗集的反辐射导弹识别算法研究

针对具有动态特征的信息系统,在S-粗集属性迁移理论基础上,给出了S-粗集上的区分矩阵,提出了一种基于S-粗集区分矩阵的属性约简算法.该算法弥补了Z.Pawlak粗集理论对于动态系统知识发现的局限,通过属性迁移对不完备的信息系统进行动态扩展.约简后生成的规则简单准确.本文的算法具有理论与应用的一般性、广泛性,对于现代战场中的删识别,更显示出了极强的优越性.