S-粗信息矩阵与它的动态特征

提出了S-粗信息矩阵的概念。并讨论了单向S-粗信息矩阵,双向S-粗信息矩阵;给出了S-粗信息矩阵的结构特征。S-粗信息矩阵不仅是研究系统动态近似特征,而且是知识挖掘、知识发现的一个新的理论工具。     

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。     

基于双向S-粗集的动态粗传递模型

根据信息传递中我们需要准确可靠的信息这种实际情况,利用双向S-粗集理论提出了一种动态粗传递模型,即双向S-下近似动态粗传递模型.分析了该模型的特性,得到了信息保持不变、信息发生损失与知识的关系,给出了提高信息传递精确性的方法以及该模型的应用.     

函数S-粗集的随机特征及图像信息加密

在函数S-粗集的基础上,结合元素迁移的随机特征提出了函数S-随机粗集的概念,给出了图像生成的概念及图像加密定理和加密图像还原定理,并举例说明函数S-随机粗集在图像信息安全传递中的应用.     

直觉模糊S-粗决策模型及应用

基于直觉模糊S-粗集理论,提出双向直觉模糊S-粗决策模型.首先给出指标值的量化方法,将目标矩阵进行标准化处理.其次,建立直觉模糊S-粗决策的上一决策和下一决策优化模型,并给出直觉模糊S-粗决策算法及详细步骤.最后,以空袭目标为例,详细研究了目标威胁程度评估过程.结果表明,直觉模糊S-粗决策模型能够综合处理决策因素的定性与定量因素,得到的决策结果综合性能最优.所得的排序结果真实、准确地反映了实际情况.     

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.     

信息粒度、信息熵与决策树

对粗信息粒与细信息粒的信息熵做了比较研究,并研究了粗信息粒和细信息粒对决策树产生的影响,得出以下结论:粗信息粒的信息熵不小于细信息粒的信息熵,细信息粒下选取扩展属性产生的决策树优于粗信息粒下选取扩展属性生成的决策树。     

基于S-粗集理论上的属性约简与算法研究

给出基于S-粗集的单向属性迁移集合,双向属性迁移集合以及单向信息系统和双向信息系统的模型;又给出属性迁移的若干性质。从Skowron提出的分辨矩阵的角度出发,给出了S-粗集中的分辨矩阵,并在此基础上提出了基于S-粗集理论上的属性约简算法。最后给出该算法在医学方面中的应用,证明了该算法的有效性。     

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.     

变精度双向S-粗集及其应用

提出基于副集的双向S-粗集,变精度双向S-粗集;给出基于副集的双向S-粗集,变精度双向S-粗集的数学结构;给出变精度双向S-粗集的存在背景和意义解释。变精度双向S-粗集是对双向S-粗集理论的完善和发展。     

粗集神经网络及其在智能信息处理领域的应用

通过对近10年发展起来的粗集神经网络集成技术的总结和归纳,可将粗集神经网络集成技术分为3种:粗集神经网络混合系统、粗边界神经网络和粗-颗粒神经网络.介绍了每种集成技术的研究现状,分析和阐述了其原理及特点.最后,总结了当前粗集神经网络集成技术中需关注的一些问题,并指出了进一步研究的方向.     

可变粒度粗糙集

分析乐观多粒度粗糙集和悲观多粒度粗糙集的不足之后,提出一种可变粒度粗糙集模型,定义了可变粒度粗 糙集的下、上近似集,研究了可变粒度粗糙集与这两种多粒度粗糙集的性质,证明了可变粒度粗糙集是多粒度粗糙集 的泛化,最后给出几种可变粒度粗糙集的度量因子,研究了变粒度粗糙集与多粒度粗糙集度量之间的关系。     

Information granules and entropy theory in information systems

Information granulation and entropy theory are two main approaches to research uncertainty of an information system, which have been widely applied in many practical issues. In this paper, the characterizations and representations of information granules under various binary relations are investigated in information systems, an axiom definition of information granulation is presented, and some existing definitions of information granulation become its special forms. Entropy theory in information systems is further developed and the granulation monotonicity of each of them is proved. Moreover, the complement relationship between information granulation and entropy is established. This investigation unifies the results of measures for uncertainties in complete information systems and incomplete information systems.     

基于信息系统的区分矩阵增量求核算法

针对动态变化的信息系统及其增量求核算法效率不理想的情况,对信息系统进行了简化,证明了简化的区分矩阵的核与原来区分矩阵的核是一致的,并在此基础上提出了一种基于简化的区分矩阵增量求核算法。当有新对象增加到信息系统时,算法能较好地利用原来信息系统中的有用信息进行增量求核,通过示例说明分析了算法的有效性。     

相容关系下集值信息系统的粗糙熵

熵理论是信息系统中不确定性研究的有效工具之一。首先给出了集值信息系统的相容关系,在此基础上引入了粗糙熵。讨论了粗糙熵的最大、最小值,并证明了粗糙熵的单调性。     

信息系统不确定性的粗糙边界熵度量方法

不确定性度量是粗糙集理论研究的重要内容之一。分析了目前粗糙集不确定性度量主要方法的不足,给出了基于边界域的粗糙集粗糙边界熵的定义。证明了这种粗糙边界熵随着知识粒度的减小而单调减小,而且当负域的知识颗粒被细分时,粗糙边界熵不变。给出了粗糙边界熵的两条性质。     

粗规律F-分解与规律识别

函数S-粗集具有规律特性、动态特性;利用函数S-粗集和基于函数S-粗集的粗规律生成方法,给出f-分解规律,F-分解粗规律,属性f-扰动度,属性F-下扰动度,属性F-上扰动度等概念; 利用这些概念,提出规律f-分解定理,属性f-扰动度定理,粗规律F-扰动度定理,给出粗规律F-分解识别的基本原理,并给出应用实例。     

基于信息熵的二进制差别矩阵属性约简算法

给出一个简化的二进制差别矩阵的属性约简定义,并证明该属性约简的定义与基于信息熵的属性约简的定义是等价的。为求出简化的二进制差别矩阵,设计了一个快速求简化决策表的算法,其时间复杂度为O（|C||U|）。在此基础上,设计了基于信息熵的简化二进制差别矩阵的快速属性约简算法,其时间复杂度和空间复杂度分别为max{O（|C||U|）,O（|C|²|U/C|²）}和max{O（|C||U/C|²）,O（|U|）},最后用一个实例说明了新算法的高效性。     

粗规律能量与F-分解粗规律度量

函数单向S-粗集对偶具有规律特性、动态特性.应用函数单向S-粗集对偶,给出f-分解规律、F-分解粗规律、规律能量、属性广扰动度的概念;研究了粗规律F_分解过程中的变化度量;给出f-分解规律能量特性定理、f-分解规律能量不等式定理、F-分解粗规律能量特性定理以及f-分解规律能量中值定理.