覆盖粗糙直觉模糊集模型的研究

粗糙集和直觉模糊集的融合是一个研究热点。在粗糙集、直觉模糊集和覆盖理论基础上,给出了模糊覆盖粗糙隶属度和非隶属度的定义。考虑到元素自身与最小描述元素的隶属度和非隶属度之间的关系,构建了两种新的模型——覆盖粗糙直觉模糊集和覆盖粗糙区间值直觉模糊集,证明了这两种模型的一些重要性质,与此同时定义了一种新的直觉模糊集的相似性度量公式,并用实例说明其应用。     

多粒度覆盖粗糙模糊集模型不确定性研究

针对覆盖粗糙模糊集中存在的上下近似不一致问题.引入一种更为合理的覆盖粗糙模糊集模型,讨论了该模型的结构与相关性质,定义了基于此模型的粗糙度度量方法.基于覆盖粗糙模糊集中粗糙度相等的情形,提出模糊集中极大模糊集的概念,并利用模糊集与极大模糊集的距离问题定义了模糊集的优劣次序,从而有效解决了模糊集在覆盖粗糙模糊集中粗糙度的度量问题.通过引入粗糙熵等相关概念,证明了此模型中仍然存在随最简覆盖变细,两种度量单调减少的规律,并通过实例进行了验证.从而为进一步揭示粗糙集、粗糙模糊集及覆盖粗糙模糊集之间的不确定性度量规律提供了理论依据.     

基于直觉模糊集的图像相似性度量

提出一种基于HSV颜色直方图的图像直觉模糊模型.在该模型下图像可看作是一个直觉模糊集合(IFS),图像之间的相似程度可通过计算直觉模糊集合之间距离来度量.实验数据表明:在HSV颜色空间下基于直觉模糊集的相似性度量能够有效用于图像数据库的查询,并且比普通基于模糊集的相似性度量和直方图距离在查询正确率方面提高5%～10%.     

基于多粒度粗糙直觉犹豫模糊集的最优粒度选择方法

为了对含有多属性的直觉犹豫模糊决策信息系统进行约简,获取最优粒度,运用多粒度粗糙集处理直觉犹豫模糊决策信息系统中的不确定信息,并对多粒度粗糙直觉犹豫模糊集的最优粒度选择方法进行了研究.首先,在直觉犹豫模糊集的基础上引入属性信息,给出粗糙直觉犹豫模糊集的概念,提出乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种模型,且研讨了它们的性质.其次,主要定义了基于悲观多粒度粗糙直觉犹豫模糊集下近似的粒度质量相似度和内、外粒度重要度的计算公式,设计了其最优粒度选择算法.最后,通过葡萄酒测评的案例,分别基于乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种情况,计算出最优粒度并进行了分析,验证了该算法在直觉犹豫模糊决策信息系统中的约简是有效的.     

基于变精度粗糙直觉模糊集的决策规则获取

以直觉模糊目标信息系统为研究对象,以粗糙集和直觉模糊集为工具,以知识发现为目的,给出了从直觉模糊决策表中获取决策规则的一种有效方法。即通过对Pawlak粗糙隶属函数的定义进行推广,给出粗糙直觉模糊隶属函数,利用新的粗糙隶属函数,建立了变精度粗糙直觉模糊集模型。在此模型基础上定义了变精度粗糙直觉模糊集的近似质量和近似约简,由近似约简导出概率决策规则集,从而给出了直觉模糊决策表的概率决策规则获取方法。最后,以实例说明了这一方法的有效性。关键词：     

基于最小/最大描述的多粒度覆盖粗糙直觉模糊集模型

覆盖粗糙集和直觉模糊集都是处理不确定性问题的基础理论,它们有着很强的互补性,且覆盖粗糙集和直觉模糊集的融合研究是一个新的热点。对多粒度覆盖粗糙集和直觉模糊集的融合进行深入研究。首先将最小描述、最大描述从单一粒度推广到多个粒度,提出了多粒度的最小描述和最大描述,讨论了多粒度的融合;其次,分别给出了基于最小描述和最大描述的模糊覆盖粗糙隶属度、非隶属度的概念,构建了两种新的模型即基于最小描述的多粒度覆盖粗糙直觉模糊集和基于最大描述的多粒度覆盖粗糙直觉模糊集,并讨论了它们的性质,同时举例说明;最后,分析和研究了两种模型的关系。该研究为多粒度覆盖粗糙集和直觉模糊集的融合提供了一种方法。     

区间直觉模糊粗糙集的不确定性研究

对区间直觉模糊信息系统中近似集的不确定性进行了研究,给出了区间直觉模糊粗糙集的不确定性度量公式。首先在区间直觉模糊近似空间中,定义了一对具有对称性的新的区间直觉模糊上、下近似算子;其次给出了区间直觉模糊集粗糙隶属函数的定义并讨论了相关性质;最后利用区间直觉模糊粗糙隶属函数的区间直觉模糊熵,定义了区间直觉模糊粗糙集的模糊熵,并讨论了区间直觉模糊粗糙集的模糊熵为零的充要条件,证明了在区间直觉模糊近似空间中经典集合和它的余集的粗糙度量是相等的,以此说明定义的合理性。     

基于覆盖的直觉模糊粗糙集

通过直觉模糊覆盖概念将覆盖粗糙集模型进行推广,提出一种基于直觉模糊覆盖的直觉模糊粗糙集模型.首先,介绍了直觉模糊集、直觉模糊覆盖和直觉模糊逻辑算子等概念;然后,利用直觉模糊三角模和直觉模糊蕴涵,构建两对基于直觉模糊覆盖的下直觉模糊粗糙近似算子和上直觉模糊粗糙近似算子;最后,给出了这些算子的基本性质并研究了它们之间的对偶性.     

基于优势关系的程度粗糙直觉模糊集模型研究

针对经典粗糙直觉模糊集理论仅考虑了集合中的最小/最大隶属度与非隶属度,而忽略了介于二者之间的隶属度与非隶属度的问题,从程度粗糙集的角度对其进行了分析研究。首先,将程度粗糙集引入到经典粗糙直觉模糊集模型中,定义了μ′(y)和ν′(y),将其与最小/最大之间的隶属度与非隶属度的值比较。然后,构建新的下、上近似,提出四个模型,即基于优势关系的Ⅰ型、Ⅱ型程度粗糙直觉模糊集模型和基于优势关系的Ⅰ型、Ⅱ型双论域程度粗糙直觉模糊集模型,讨论这些模型的相关性质。这些模型的边界域缩小了,也降低了模糊熵值。最后,通过实例验证了模型的有效性。     

覆盖粗糙直觉Fuzzy集模型

考虑到经典粗糙集模型中等价关系过于严格的缺陷和直觉Fuzzy集在处理不确定信息时所具有的表达力,建立了覆盖粗糙直觉Fuzzy集模型,并给出了该模型下的一些性质;接着引入了覆盖粗糙直觉Fuzzy集模型的粗糙度和粗糙熵的概念,讨论其不确定性度量;最后给出了算例。     

基于广义粗集覆盖约简的粗糙熵

在广义粗集覆盖约简理论中,由于集合的上下近似是由其覆盖约简来确定的,因此有必要寻求一种新的度量来刻画知识和粗集的粗糙性.通过引入信息熵以刻画广义粗集覆盖约简的知识粗糙性以及粗集粗糙性,提出了一种新的知识粗糙性和粗集粗糙性度量.得到知识粗糙熵和粗糙集的粗糙熵都随广义覆盖约简的变细而单调减少的结论,从信息论观点出发,对不完备信息系统粗集理论进行了探讨.     

不完备信息系统中基于模糊测度的知识不确定性度量

考虑到不完备信息系统中属性的相似关系和缺失值对系统不确定性的影响,如果仍然利用分块大小来衡量知识的信息量或粗糙性将变得不合理。本文在信息系统中定义了模糊测度系统信息熵、知识粗糙熵和粗集粗糙熵,证明了模糊测度粗糙熵的合理性及其性质,并举例说明如何选择合理的测度计算模糊测度粗糙熵,最后运用到知识的约简,为信息系统的约简提供了一种新的途径。     

A roughness measure of fuzzy sets from the perspective of distance

Covering generalized rough set theory is an important extension of classical rough set theory. To characterize a fuzzy set in a given covering approximation space, a pair of fuzzy sets, called covering rough fuzzy lower and upper approximations, were introduced, but they do not describe well how much uncertainty is induced by the granularity of knowledge. In this paper, we first discuss the relationship between uncertainty and granularity of knowledge. Then we examine several commonly used distance measures, and indicate that some of them exhibit some limitations. Next we propose a roughness measure based on Minkowski distance, and examine some important properties of this measure. Finally, an illustrative example is provided to demonstrate the application of the roughness measure to incomplete information systems with fuzzy decision.     

Measures of general fuzzy rough sets on a probabilistic space

Fuzzy rough set is a generalization of crisp rough set, which deals with both fuzziness and vagueness in data. The measures of fuzzy rough sets aim to dig its numeral characters in order to analyze data effectively. In this paper we first develop a method to compute the cardinality of fuzzy set on a probabilistic space, and then propose a real number valued function for each approximation operator of the general fuzzy rough sets on a probabilistic space to measure its approximate accuracy. The functions of lower and upper approximation operators are natural generalizations of the belief function and plausibility function in Dempster-Shafer theory of evidence, respectively. By using these functions, accuracy measure, roughness degree, dependency function, entropy and conditional entropy of general fuzzy rough set are proposed, and the relative reduction of fuzzy decision system is also developed by using the dependency function and characterized by the conditional entropy. At last, these measure functions for approximation operators are characterized by axiomatic approaches.     

不同知识粒度下粗糙集的不确定性研究

粗糙集的不确定性度量方法,目前主要包括粗糙集的粗糙度、粗糙熵、模糊度和模糊熵.在不同知识粒度下,从属性的角度,给出了分层递阶的知识空间链,发现在分层递阶的知识粒度下部分文献中定义的粗糙集的粗糙熵和模糊度随知识粒度的变化规律不一定符合人们的认识规律.从信息熵的角度提出了一种粗糙集不确定性的模糊度度量方法,证明了这种模糊度随知识粒度的减小而单调递减,弥补了现有粗糙熵和模糊度度量粗糙集不确定性的不足.最后,分析了在不同知识粒度下粗糙度和模糊度的变化关系.     

基于覆盖的粗糙模糊集的粗糙熵

覆盖约简是研究覆盖去冗余问题的一种有效方法。本文在基于最简覆盖的粗糙集模型的基础上,将粗糙度和粗糙熵的概念引入基于最简覆盖的粗糙模糊集,用来度量其不确定性程度;讨论了它们的一些性质,并通过实例说明粗糙熵比粗糙度更能精确地反映基于最简覆盖的粗糙模糊集的不确定性程度。     

粗糙集不确定性度量的矩阵运算

粗糙集的不确定性度量是粗糙集理论的重要研究内容之一。结合模糊理论和粒计算理论改进了粗糙集的不确定性度量方法。通过集合的相对知识粒度及边界熵给出了粗糙集的粗糙性度量函数与模糊性度量函数,随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均满足单调递减的性质。利用矩阵理论提出了易于实现的粗糙性度量与模糊性度量的矩阵算法。     

基于覆盖的区间直觉模糊粗糙集

在经典的覆盖近似空间中,定义了区间直觉模糊概念的粗糙近似。通过区间直觉模糊覆盖概念,给出了一种基于区间直觉模糊覆盖的区间直觉模糊粗糙集模型。讨论了两种模型的一些相关性质。