复合覆盖粗糙集模型及其应用

针对覆盖粗糙集仅适用于单一数据类型的论域覆盖的问题,提出复合覆盖粗糙集模型。在研究邻域覆盖粗糙集、集值覆盖粗糙集、区间值覆盖粗糙集的基础上,在复合数据模型下,通过建立多种覆盖关系（邻域覆盖、集值覆盖、区间值覆盖等）,提出复合覆盖粗糙集模型,并给出复合覆盖粗糙集相关概念及性质。该模型适用于多种数据类型（符号数据、区间数据、集合数据、数值数据等）的论域覆盖问题,通过实例说明了该模型在复合信息系统中的应用,进一步加深对复合覆盖粗糙集相关概念的理解。     

双论域上的S-粗集及应用

原始从单论域出发讨论动态系统的知识发现和规则挖掘,其应用范围受到极大限制。通过构造性方法对原始的Ｓ-粗集粗糙集模型进行推广,提出双论域上的Ｓ-粗集模型。分析了S-粗集与Z.Pawlak 粗集、以及单论域Ｓ-粗集与双论域Ｓ-粗集的关系。并讨论了双论域Ｓ-粗集一些相关性质及在疾病诊断上的应用。     

集值映射的拟阵结构及其与覆盖粗糙集的关系

集值映射是拓扑学中的一个重要的概念。基于论域中的各个元素之间的关系,利用集值映射的原理在论域上导出了一种拟阵结构,对该类拟阵的独立集、相关集、极小圈、秩函数、闭包和闭集等性质进行了研究,给出了该类拟阵的对偶拟阵的独立集和极小圈的等价刻画。利用覆盖粗糙集模型中邻域和近似算子的概念建立了集值映射下的拟阵结构和粗糙集之间的联系。     

集值信息系统的粗糙集扩展模型

通过分析研究现有集值信息系统下定义的二元关系,基于集合包含度在集值信息系统中引入相似度概念,定义了一种基于相似度的α-相容关系,提出基于α-相容关系的粗糙集扩展模型,并分析比较了该模型与现有粗糙集扩展模型之间的关系。最后,给出实例加以验证。     

基于集值映射的拟划分近似空间中近似算子

在含有缺省值的不完备性信息系统中,一部分对象无法确定的归入特定的类中,此时论域的邻域系统对于论域无法形成覆盖,只能形成论域的不完全划分。从概念上讲,对论域的不完全划分与对论域的覆盖都是对论域的拟划分的两个特例。作为基于覆盖的粗糙集模型的一种推广,将讨论基于拟划分的粗糙集模型中上下近似算子的若干性质,并且讨论了这个模型下近似算子的表示问题。     

区间集值信息系统中的粗糙集理论

介绍集值信息系统和区间值信息系统,并提出了同时具有这两种系统特点的区间集值信息系统.依据属性值的语义关系,将区间集值信息系统分为两类：析取（I型）和合取（II型）系统,并对其分别提出了基于优势关系的粗糙集模型,讨论了相关性质.最后用实例分析验证了所提出系统的有效性.     

基于扩展粗糙集模型的集值不完备信息系统决策研究

在客观世界中信息系统往往是不完备的。该文将粗糙集模型经过扩展后应用于属性值为集合值的不完备信息系统,给出了几种不同的上下近似集定义,着重建立和分析了一种不完备决策表,研究了对应的粗糙集模型扩展后的属性约简的方法,并根据约简生成了决策规则。     

覆盖广义粗糙集模型研究

覆盖广义粗糙集理论是由Pawlak经典粗糙集理论在划分的基础上推广到覆盖建立起来的,它更能合理地描述信息的不确定性、不准确性和不完整性。本文给出覆盖广义粗糙集理论的6种基本模型,讨论每种模型的覆盖上近似运算并给出相关性质,最终给出模型之间的相互关系,从而补充和完善了覆盖广义粗糙集理论的公理化体系。     

元素最小描述并集下的多粒度覆盖粗糙集模型

为了拓展多粒度粗糙集理论在覆盖近似空间上的研究,本文利用元素的最小描述并集并结合条件概率,提出了3种多粒度覆盖粗糙集模型。在模型定义基础上,本文研究了3种新模型的一些特有性质,探讨了新模型与一些已有模型的内在联系与区别,对3种新模型进行了比较。研究结果表明一些已有模型是本文模型的特殊形式,是已有模型的有效拓展。     

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。     

集值Rough扩展模型知识约简

基于吴鹏等提出的k度限制相容关系模型,讨论在集值不完备信息系统上的约简,给出集值不完备信息系统属性约简的判定定理和辨识矩阵,得到集值不完备信息系统知识约简的具体操作方法。     

多重粗糙集模型

基于多重集合,对Z.Pawlak粗糙集的论域进行了扩展,提出了基于多重粗糙集理论,并给出了该理论相关内容的完整定义、定理和性质,其中包括多重论域定义、论域对象及其状态与重要度的定义与标识、多重粗糙集对象与Z.Pawlak粗糙集对象的相互转换方法、多重近似集的定义及其性质的证明、多重等价类及其成员关系的定义与性质的证明、多重粗糙集的属性约简与决策分析等内容。这些定义、定理和性质与Z.Pawlak粗糙集既有区别又有联系。多重粗糙集可充分反映知识颗粒间的重叠性,对象的重要度差别及其多态性,可以很方便地实现对象状态间的各种运算,这些特性可为挖掘潜藏在关系数据结构中的知识提供方便。     

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。     

多粒化模糊软粗糙集模型

为了扩大粗糙集理论的应用,特别是在模糊环境中的应用,基于模糊软集和模糊蕴涵算子,主要研究基于软模糊近似空间的乐观多粒化模糊软粗糙集模型。该模型将参数集根据客户的不同要求或目标进行重组,只选择若干相关参数集参与计算上、下近似,这样定义的上、下近似不再由整个属性集决定,而是根据重组后的多个属性集一并生成,从而使结果更加符合实际需求。另外,还定义了乐观多粒化模糊软粗糙集模型的截集并讨论了其相关性质。最后给出了算例。     

Approximations in a module by using set-valued homomorphisms

In applied mathematics, we encounter many examples of mathematical objects that can be added to each other and multiplied by scalar numbers. Modules over a ring conclude all those examples. The initiation and majority of studies on rough sets for algebraic structures such as modules have been concentrated on a congruence relation. The congruence relation, however, seems to restrict the application of the generalized rough set model for algebraic sets. In order to solve this problem, we consider the concept of set-valued homomorphism for modules. The notions of generalized lower and upper approximation operators, constructed by means of a set-valued mapping, which is a generalization of the notion of lower and upper approximations of a module, are provided. We also propose the notion of generalized lower and upper approximations with respect to a submodule of a module and discuss some significant properties of them.     

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。     

覆盖多粒度梯形模糊数决策理论粗糙集模型

作为经典Pawlak粗糙集模型的推广,基于论域上的等价关系,针对风险决策分类问题,多粒度粗糙集已有研究。其特点是在力争决策的期望损失（亦称决策的条件风险）最小的条件下,比较客观地确定对象分类区域的概率描述临界值,进而进行对象的最佳分类决策。然而,在实际应用中论域上的等价关系很难把握,况且特征状态的风险损失往往带有某种不确定性。凡此,无疑在一定程度上限制了多粒度决策理论粗糙集的应用。对此进行了研究：提出了覆盖多粒度梯形模糊数决策理论粗糙集模型,分别就平均、乐观和悲观的情形进行了讨论和刻划;得到了覆盖多粒度梯形模糊数决策理论粗糙集与已有相关模型之间的关系;结果和算例表明了模型的广泛性。     

覆盖粗糙直觉Fuzzy集模型的一点注记

通过对一类覆盖粗糙直觉模糊集模型中粗糙度定义的分析,对其所存在疏漏进行了改进;再将粗糙熵的概念引入到该模型,研究直觉模糊集的不确定度量;通过例子说明该度量的有效性。