基于包含度的直觉模糊粗糙集模型

将直觉模糊包含度引入粗糙集与直觉模糊集的融合建模。首先,介绍直觉模糊集在特殊格L上的定义;其次,将模糊包含度拓展到直觉模糊环境下,提出取值于特殊格L的直觉模糊包含度定义和计算公式;在此基础上,分别利用直觉模糊包含度的隶属度与非隶属度定义了上下近似算子,建立了直觉模糊相似关系下的直觉模糊粗糙集模型,并对近似算子的重要性质进行了证明。     

直觉模糊集的包含度

Atanassov直觉模糊集是对Zadeh模糊集最有影响的一种扩充和发展,而直觉模糊包含度是模糊包含度的直觉化扩展.针对文献[7]中Vague包含度仍然是一个模糊值的问题.提出一种新的直觉模糊集的包含度定义,该包含度取值于一个特殊格L,与直觉模糊集理论的基本思想相一致.验证了4类直觉模糊包含度公式,证明了直觉模糊R-蕴含可以生成一类直觉模糊包含度.     

基于直觉模糊包含度的聚类有效性分析

针对直觉模糊集合数据的聚类有效性问题,提出了一种基于直觉模糊包含度的聚类有效性分析方法。该方法采用直觉模糊包含度和直觉模糊划分熵来评价直觉模糊聚类的有效性。其中,直觉模糊包含度通过增加非隶属度参数对模糊包含度进行直觉化扩展,用于评价类与类间包含的程度;而直觉模糊划分熵用于检验分类结果的可靠性。最后通过典型实例验证了该方法的有效性。     

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。     

Vague集的包含度

Vague集是Zadeh模糊集的一种推广形式,同样Vague集的包含度也是模糊集包含度的一种扩展。针对现有文献涉及到的Vague集的包含度只是属于[0,1]区间的一个模糊值的问题,根据Vague集理论的基本思想拓展了Vague集的包含度,提出一种新的Vague集的包含度定义,以体现Vague集的拓展意义。提出并验证了四类Vague集的包含度的计算公式,同时给出此Vague集包含度与模糊集包含度之间关系的定理。     

基于模糊集的信息检索方法

模糊集理论是一种处理含糊和不确定性问题的数据分析方法,以其为理论基础的数据处理技术得到深刻关注和不断发展。信息检索致力于寻求准确、高效、智能的信息组织与存取方法,成为当今智能信息处理领域的重要研究内容。文档的信息检索过程实际上涉及文档集的表示、用户查询的表示、相似性匹配及其排序三部分,文中利用了模糊集理论中的模糊集合间中的包含关系——包含度定理,利用其中的“包含”关系体现了文档集和用户查询之间的匹配,给出一种信息检索方法,并用其包含度实现检索结果文档集的排序。     

基于模糊集的信息检索方法

模糊集理论是一种处理含糊和不确定性问题的数据分析方法,以其为理论基础的数据处理技术得到深刻关注和不断发展。信息检索致力于寻求准确、高效、智能的信息组织与存取方法,成为当今智能信息处理领域的重要研究内容。文档的信息检索过程实际上涉及文档集的表示、用户查询的表示、相似性匹配及其排序三部分,文中利用了模糊集理论中的模糊集合间中的包含关系——包含度定理,利用其中的“包含”关系体现了文档集和用户查询之间的匹配,给出一种信息检索方法,并用其包含度实现检索结果文档集的排序。     

基于包含度的变精度模糊粗糙集

利用模糊集的一个强包含度,在弱模糊划分的基础上建立了基于该包含度的变精度模糊粗糙集模型,对其重要性质进行了深入研究,并给出了对应形式粗糙度的计算方法,进一步利用海明距离和欧几里得距离定义了该模型下模糊粗糙集的两个粗糙性度量。给出的变精度模糊粗糙集模型能够使模糊粗糙集的运算按照模糊集的运算实现,为变精度模糊粗糙集理论的研究和应用莫定了一定的理论基础。     

基于包含度的直觉模糊相似度量方法

针对现有文献中涉及到直觉模糊相似度量的计算公式大多是基于直觉模糊距离测度的现状,提出一种基于包含度的直觉模糊相似度量方法。借助模糊蕴涵算子和集合基数,建立了IFS包含度的一系列具体公式,揭示了IFS包含度与相似度的关系,提出了一种基于包含度的IFS相似度量方法,并以具体算例表明该方法不仅可以解决中部分存在的问题,而且为研究IFS相似度量理论开辟一个新的途径。     

一类模糊信息系统的知识发现研究

本文讨论一类模糊信息系统的知识发现问题,其中属性按其特征进行分类并通过模糊集表示,我们通过模糊关系刻画对象的相似性程度,借助模糊集的包含度理论及信息综合算子,构造基于模糊粗糙集的知识约简与规则提取方法.     

包含度与粗糙集数据分析中的度量

粗糙集理论是一种新的处理模糊和不确定知识的软计算工具。粗糙集数据分析是粗糙集理论中的主要应用技术之一,它主要用来分析数据的性质、粗糙分类、分析属性的依赖性和属性的重要性、抽取决策规则等,在人工智能与认知科学领域有着重要的应用。该文通过将包含度概念引入到粗糙集理论中,建立了包含度与粗糙集数据分析中的度量之间的关系,证家了粗糙集数据分析中的有关度量均可归结为包含度。这些结论有助于人们深刻理解粗糙数据分析的本质,可作为建立粗糙集数据分析中的度量的主要依据。     

模糊软集之间的相似性度量及应用

研究模糊软集的不确定度量问题,给出模糊软集的包含度、相似度公理化定义;基于模糊蕴含算子提出新的模糊软集包含度与相似度度量方法,该方法具有一定的普遍性,在某种程度上提供不同的模糊蕴含算子就可得到不同的包含度与相似度。基于新的相似度度量方法构造了一种决策方法并应用于金融企业流动性检测中。     

基于覆盖的粗糙集模型比较

通过分别比较各模型的上近似、下近似以及近似精度,系统地分析了6种基于覆盖的粗糙集模型。得到3条结论:首先,在6种覆盖上近似之间,第2种覆盖上近似最大,并且除了第3种和第4种覆盖上近似之间是不可比较的之外,前5种覆盖上近似集间均有包含关系;其次,两种覆盖下近似间存在包含关系;第三,在6种模型的近似精度之间,第2种模型是最低的,而第5种模型除了和第6种模型不可比较之外其具有最高的近似精度。通过多个实例,验证了所有结论的正确性。这种对不同粗糙集模型的对比研究为深入理解这些模型提供了帮助,并且为不同应用场合模型的选择提供了参考依据。     

Inclusion measures of probabilistic linguistic term sets and their application in classifying cities in the Economic Zone of Chengdu Plain

The probabilistic linguistic term set is a powerful tool to express and characterize people’s cognitive complex information and thus has obtained a great development in the last several years. To better use the probabilistic linguistic term sets in decision making, information measures such as the distance measure, similarity measure, entropy measure and correlation measure should be defined. However, as an important kind of information measure, the inclusion measure has not been defined by scholars. This study aims to propose the inclusion measure for probabilistic linguistic term sets. Formulas to calculate the inclusion degrees are put forward Then, we introduce the normalized axiomatic definitions of the distance, similarity and entropy measures of probabilistic linguistic term sets to construct a unified framework of information measures for probabilistic linguistic term sets. Based on these definitions, we present the relationships and transformation functions among the distance, similarity, entropy and inclusion measures. We believe that more formulas to calculate the distance, similarity, inclusion degree and entropy can be induced based on these transformation functions. Finally, we put forward an orthogonal clustering algorithm based on the inclusion measure and use it in classifying cities in the Economic Zone of Chengdu Plain, China.     

区间二型模糊相似度与包含度

相似度与包含度是模糊集合理论中的两个重要概念,但对于二型模糊集合的研究还较为少见．鉴于此,提出了新的区间二型模糊相似度与包含度．首先选择了二者的公理化定义;然后基于公理化定义提出了新的计算公式,并讨论了二者的相互转换关系;最后通过实例来验证二者的性能,并将区间二型模糊相似度与Yang-Shih聚类方法相结合,用于高斯区间二型模糊集合的聚类分析,得到了合理的层次聚类树．仿真实例表明新测度具有一定的实用价值．     

粗糙集的两种相似性度量

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具.在近似空间中,首先基于集合的上下近似给出了一种粗糙集间的相似度量方法.然后通过定义一种基于粗糙隶属函数的包含度,给出了另外一种粗糙集间的相似度量方法,并分别研究了这两种相似度量方法的有关性质.最后讨论了这两种相似度量方法之间的关系.     

基于包含度的区间二型模糊粗糙集

基于区间二型模糊包含度的公理化定义,给出了新的区间二型模糊包含度计算公式.进一步,通过包含度定义了区间二型模糊粗糙集,并讨论了它的一些基本性质.最后,利用区间二型模糊粗糙集研究了连续域决策信息系统的属性约简,给出了新的约简方法.实例说明了该约简方法的具体计算步骤,并且通过实验验证了该算法的有效性和可行性.     

区间值模糊软集的信息测度及其聚类算法

针对区间值模糊软集信息测度难以精确定义的问题,提出了区间值模糊软集的距离测度、相似度、熵、包含度、子集度的公理化定义,给出了区间值模糊软集的信息测度公式,并讨论了它们的转换关系。然后提出了一个基于相似度的聚类算法,该算法结合区间值模糊软集的特性,着重对给出评价对象的具有相似知识水平的专家进行聚类,同时讨论了算法的计算复杂度。最后通过实例说明该算法能有效地处理专家聚类问题。     

The further investigation of covering-based rough sets: Uncertainty characterization, similarity measure and generalized models

The notion of rough sets was originally proposed by Pawlak. In Pawlak’s rough set theory, the equivalence relation or partition plays an important role. However, the equivalence relation or partition is restrictive for many applications because it can only deal with complete information systems. This limits the theory’s application to a certain extent. Therefore covering-based rough sets are derived by replacing the partitions of a universe with its coverings. This paper focuses on the further investigation of covering-based rough sets. Firstly, we discuss the uncertainty of covering in the covering approximation space, and show that it can be characterized by rough entropy and the granulation of covering. Secondly, since it is necessary to measure the similarity between covering rough sets in practical applications such as pattern recognition, image processing and fuzzy reasoning, we present an approach which measures these similarities using a triangular norm. We show that in a covering approximation space, a triangular norm can induce an inclusion degree, and that the similarity measure between covering rough sets can be given according to this triangular norm and inclusion degree. Thirdly, two generalized covering-based rough set models are proposed, and we employ practical examples to illustrate their applications. Finally, relationships between the proposed covering-based rough set models and the existing rough set models are also made.     

基于条件概率的粗糙集不确定性度量

通过语义分析,提出一种修正的粗糙集不确定性度量公理化定义。首先,对该定义的数学特征进行分析,提出两种基于条件概率的粗糙集不确定性度量方法;然后,证明它们满足所提出的公理化定义,并导出相应的知识不确定性度量,发现其中一个是现有条件信息熵,另一个与确定性度量形成互补关系。设计算例对各种不确定性度量进行比较分析,验证了所提出的度量公式与不确定性语义保持一致。