基于直觉模糊关系的双论域多粒度概率粗糙集

在复杂的不确定性环境中,粗糙集引入拓展要素,可增强模型强健性,因此,文中基于直觉模糊关系,在双论域上研究多粒度概率粗糙集.首先,利用直觉模糊关系与双论域背景,进行多粒度概率粗糙集建模,得到正向乐观、正向悲观、逆向乐观、逆向悲观4种模型及相关集成算法.然后,研究模型下上近似的数学性质,包括集合运算关系、概率参数极限、精度大小对比3方面.最后,采用医疗实例验证模型有效性与性质正确性,提供三支决策制定方案,并验证关于多粒度双论域直觉模糊概率粗糙集所得模型、算法、性质都具有深入的系统性、扩张性、应用性.     

双论域下多粒度模糊粗糙集上下近似的包含关系

针对双论域上集合的多粒度乐观与悲观上下近似不具有包含关系的问题,本文给出了双论域上集合的多粒度上下近似具有包含关系的一个充分条件,进而采用标准化的方法将不具有包含关系的上下近似转化为具有包含关系的上下近似。通过实例验证,该方法能有效解决双论域下多粒度模糊粗糙集上下近似具有包含关系的问题。     

双论域粗糙集的矩阵表示

在双论域粗糙集中,不论是理论上还是应用上,矩阵方法都是一种简单且高效的计算方法。利用矩阵的方法来研究双论域粗糙集。提出了双论域上的关系矩阵,通过关系矩阵以及关系矩阵的转置,构造了两个布尔方阵。利用这两个布尔方阵的特征研究了双论域覆盖粗糙集的一些性质。定义了一种布尔矩阵之间新的运算,并且利用这个运算,简洁地表示了双论域覆盖粗糙集的上近似算子和关系粗糙集的下近似算子。     

序信息系统的一般多粒度粗糙集

多粒度粗糙集已成为近年来研究的热点之一。定义了支撑函数,并讨论了支撑函数的性质;通过支撑函数建立了基于序信息系统的一般多粒度粗糙集模型,给出了上下近似算子的定义,并探讨了各近似算子的性质;还研究了序信息系统一般多粒度粗糙集的度量及性质,以及序信息系统的一般多粒度粗糙集近似算子和多粒度粗糙集近似算子之间的关系。最后,为了更好地解释该模型的实际应用价值,通过高校录取学生的实例验证了该模型的实用性和有效性。     

双论域上量化粗糙集模型及应用

双量化方法能够比较全面地刻画近似空间中决策对象的不确定性本质。在双论域框架下讨论了双量化粗糙集的基本模型。通过现实中理疗诊断决策问题给出了双论域量化粗糙集研究的背景和意义,进而通过结合经典变精度粗糙集和程度粗糙集给出了双论域量化粗糙集的基本定义。系统地讨论了其上下近似的基本性质以及与已有粗糙集模型的关系,并给出了其上下近似的矩阵计算方法。基于所建立的理论模型与方法,给出了双论域量化粗糙集在疾病诊断决策中的应用,通过应用算例说明了理论模型的应用过程。     

基于等价关系的混合多粒度粗糙集

以基于等价关系诱导的划分为基础,提出了混合多粒度空间的概念,以便研究同时具有析取和合取关系的多粒度空间。利用混合多粒度空间中的划分对目标概念进行近似逼近,提出了混合多粒度粗糙集模型。讨论了混合多粒度粗糙集模型的基本性质,证明了混合多粒度粗糙集是乐观和悲观多粒度粗糙集的广义化表现形式。     

一般多粒度量化软粗糙集模型

建立了适应数据误差、具有知识容错能力的一般多粒度量化软粗糙集模型,弥补了多粒度软粗糙集模型的不足.讨论了一般多粒度量化软粗糙近似算子的性质以及程度多粒度软粗糙集与一般多粒度量化软粗糙集之间的关系.研究了一般多粒度量化软粗糙集的不确定度量和性质.用传染病这一案例展现了一般多粒度量化软粗糙集模型的应用实效.     

基于加权粒度的多粒度粗糙集

首先,通过分析现有多粒度粗糙集模型的不足,提出一种基于粒度加权的多粒度粗糙集模型;然后,通过比较得出加权多粒度粗糙集与乐观多粒度、悲观多粒度和可变多粒度粗糙集之间的关系,讨论加权多粒度粗糙集的性质,并分析这几种多粒度粗糙集度量之间的关系;最后,通过实例分析验证了所提出加权多粒度粗糙集模型的有效性。     

基于双论域笛卡尔积的粗糙熵与知识粒度

基于笛卡尔积,确立双直积论域覆盖空间,并研究其中的粗糙熵与知识粒度.首先,将双论域近似空间诱导出两个单论域覆盖空间,构建双直积论域覆盖空间.将双论域粗糙熵与知识粒度定位于一个单论域覆盖空间.通过结构模拟与粒替换,确定对称单论域覆盖空间与双直积论域覆盖空间的粗糙熵与知识粒度.对于三套双度量,得到相关的双量和、上下确界、粒化单调性及三支线性组合性.最后,通过数据模拟与仿真实验验证度量构建与理论性质的有效性.     

两个域上的覆盖粗糙集模型

两个域上的覆盖粗糙集模型推广了一般关系下的粗糙集模型,定义了两个域上的覆盖二元关系,给出了最小子覆盖新的描述,进而得到两个域上基于最小子覆盖的粗糙集近似算子;给出了若干性质和定理的证明;通过与两个域上的粗糙集模型进行实例对比得出了两个域上的覆盖粗糙集模型的优点。     

两个论域上的覆盖粗糙模糊集模型

粗糙集模型的扩展是粗糙集研究的主要内容之一,目前已经存在许多有关粗糙集模型的扩展形式。其中基于覆盖而建立的粗糙集模型得到了很大的发展,然而学者们主要是针对单个论域进行研究的,但是实际生活中的问题却往往是在多个论域上的,如在医疗诊断中的应用等。同时考虑到在实际生活中,研究的对象往往是不确定的,即带有模糊的。基于以上考虑,提出了在两个论域上的覆盖粗糙模糊集模型,并对近似算子的性质进行了研究。     

局部广义多粒度粗糙集

多粒度粗糙集的目标概念是一种由多个二元关系诱导的粒结构近似,是粗糙集领域的一个有价值的研究方向,在实际中得到了广泛的应用。然而,当数据集的规模很大时,会出现大量的未标记数据,计算目标概念的近似时需要计算所有对象的等价类,而且需要花费大量的时间来描述目标概念的近似以及复杂的计算过程,因此提出了局部广义多粒度粗糙集模型。首先通过引入特征函数来定义下近似和上近似;其次提出了一种用矩阵求解局部广义多粒度粗糙集下近似和上近似的方法,进一步研究了它们的性质;最后通过实例来验证所提模型的有效性,并给出了求局部广义多粒度粗糙集下近似的算法。此模型可以充分利用目标概念中的数据信息来处理数据,同时可以节省大量的计算时间。     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

基于双论域粗糙集的快捷货物运输方案选择

针对多种不确定因素下的快捷货物运输方案决策问题,提出一种基于双论域直觉模糊粗糙集的快捷货物运输方案决策模型与决策规则.依据双论域直觉模糊粗糙集理论来确定快捷货物运输方案决策的双论域模糊近似空间.将固定成本、运输成本、转运成本、碳排放、转运时间等评价指标的消耗程度视为直觉模糊数,利用评价指标与运输方案之间的直觉模糊关系计...     

多粒度粗糙集粒度约简的高效算法

针对已有多粒度粗糙集粒度约简算法效率较低的问题,提出一种多粒度粗糙集粒度约简的高效算法（EAGRMRS）。首先,以决策信息系统为对象,定义决策类下近似布尔矩阵,该矩阵能够将粒度约简过程中过多且有重复的集合运算转换为布尔运算,基于该矩阵给出计算决策类下近似算法和计算粒度重要度算法。然后,针对计算粒度重要度时存在冗余计算的问题,提出粒度动态增加时快速计算粒度重要度的算法,并在此基础上,提出EAGRMRS,该算法的时间复杂度为O（|A|·|U|²+|A|²·|U|）,其中|A|表示粒度集合大小,|U|表示决策信息系统中实例数。在UCI数据集上的实验结果验证了所提算法的有效性和高效性,并且随着数据集的增大,EAGRMRS相较于多粒度粗糙集粒度约简的启发式算法（HAGSS）效率优势更加明显。     

一种改进的邻域多粒度粗糙集模型

目前,邻域多粒度粗糙集模型广泛采用的距离函数闵可夫斯基距离存在着一定的局限性,通过引入兰氏距离作为距离函数,重构了邻域半径的选取方法,基于此提出一种改进的邻域多粒度粗糙集模型,并证明了相关的性质。采用UCI标准库数据集进行实验分析,对比两种模型的实验结果,验证了改进邻域多粒度粗糙集模型在近似逼近方面的优越性。     

可变直觉模糊多粒度粗糙集模型及其近似分布约简算法

为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果,首先将直觉模糊粗糙集与多粒度粗糙集结合,提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷,因此通过引入参数的方式对所提模型进行改进,提出一种可变直觉模糊多粒度粗糙集模型,并证明了该模型的有效性,同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中,所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性,所提出的上近似分布约简算法比这些算法少了1~5个属性,同时约简结果的近似精度拥有了更为合理且优越的表现。因此,理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。