覆盖上近似集与相对闭包

文献[1]中的相对闭包不能对应于覆盖广义粗集理论中的另一个主要概念覆盖上近似集.因此本文给出了关于子基β的相对闭包的另一种定义,使之能对应于覆盖广义粗集理论中的覆盖上近似集.主要结果:相对闭包的一些基本性质、同一拓扑的两个子基会生成相同的相对闭包运算的充分必要条件、相对内部运算和相对闭包运算的相互依赖性.这些结果可以看作是覆盖广义粗集的理论基础.     

覆盖广义粗集理论中的拓扑学方法

本文是从拓扑学的角度来看覆盖广义粗集理论,先引进拓扑空间的相对内部和相对闭包的概念并对其进行了较深入的研究.主要结果有,(1)相对内部和相对闭包的基本性质;(2)同一拓扑的两个子基生成相同的相对内部和相对闭包的充分必要条件;(3)相对内部运算和相对闭包运算的公理化.这些结果可以看作是覆盖广义粗集的理论基础,同时对于覆盖广义粗集理论的研究也提供了一种尝试的方法.     

覆盖模糊S-粗集模型

建立了基于覆盖理论的模糊S-粗糙集模型,并讨论其性质。在覆盖单向S-粗集x的最小描述的基础上,给出了x的最大描述的定义。给出了覆盖模糊S-粗集上 、下近似算子定义,讨论了算子的基本性质,证明了覆盖S-粗糙集模型下所有模糊集的下近似构成一个模糊拓扑,并得到模糊单向S-粗集X相对于覆盖单向S-粗集和覆盖约简单向S-粗集的上下近似分别相等。     

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.     

集族等价与基于粒的下近似算子研究

基于覆盖的粗集是推广经典粗集理论的方法之一,有基于元素、基于粒和基于子系统的3类定义上下近似的途径,以往大多数的文献往往从基于元素的角度出发进行定义。为了研究基于粒的近似算子特别是下近似算子的性质,借鉴格论中既约元、可约元等概念,提出了集族约简的概念。从集族约简出发,探讨了集族等价的概念与性质,并设计了集族约简的算法,得到了两个集族等价是两个集族生成相同的下近似运算的充要条件这一结果,为进一步开展一般二元关系下基于粒的近似算子的公理化方法的研究做了初步的理论方面的准备工作。     

正负域覆盖广义粗集及其运算公理化

针对覆盖广义粗集边界过于粗糙及运算公理化定义难以得到的不足,论文提出了正负域覆盖广义粗集的概念,讨论了覆盖正负域的性质。证明了正负域覆盖广义粗集对不明确的概念可给出更清晰的描述。通过引进覆盖等价的概念,给出了给定论域上任意集在不同覆盖下具有相同正负域覆盖广义粗集的充要条件。最后给出了正负域运算的公理化定义。     

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。     

近似空间的笛卡尔积粗集模型及其可分解性

为处理人工智能中不精确和不确定的数据和知识,Pawlak提出了粗集理论。之后粗集理论得到拓广,人们提出了许多新的粗集模型。拓展的方法主要有两种,一种是减弱对等价关系的依赖,另一种是把讨论问题的论域从一个拓展到两个。Y. Y. Yao提出了一种基于两个论域的粗集模型。现研究基于两个近似空间的笛卡尔积粗集模型,给出了积近似空间的概念,刻画了可分解集合的上(下)近似、近似精度和粗糙度。最后研究了笛卡尔积粗集模型的可分解问题,给出了一个近似空间积可分解的充分必要条件。     

粗代数研究

在粗糙集的代数方法研究中,一个重要的方面是从粗糙集的偶序对((下近似集,上近似集()表示入手,通过定义偶序对的基本运算,从而构造出相应粗代数,并寻找能够抽象刻画偶序对性质的一般代数结构.其中最有影响的粗代数分别是粗双Stone代数、粗Nelson代数和近似空间代数,它们对应的一般代数结构分别是正则双Stone代数、半简单Nelson代数和预粗代数.通过建立这些粗代数中算子之间的联系,证明了:(a) 近似空间代数可转化为半简单Nelson代数和正则双Stone代数;(b) 粗Nelson代数可转化为预粗代数和正则双Stone代数;(c) 粗双Stone代数可化为预粗代数和半简单Nelson代数,从而将3个不同角度的研究统一了起来.     

融合GPU的拟单层覆盖近似集计算方法

拟单层覆盖粗糙集是一种匹配集值信息系统且有高质量和高效率的粗糙集模型。拟单层覆盖近似集的计算过程中存在大量计算密集且逻辑简单的运算,为此,提出拟单层覆盖近似集的矩阵化表示方法,以利用图形处理器(GPU)强大的计算性能加速计算过程。为了实现这一目标,使用布尔矩阵表示拟单层覆盖近似空间中的元素,引入与集合运算对应的布尔矩阵算子,提出拟单层覆盖粗糙近似集(DE、DA、DE0与DA0)的矩阵表示,并设计矩阵化拟单层覆盖近似集算法(M＿SMC)。同时,相应的定理证明了拟单层覆盖近似集的矩阵表示形式与原始定义的等价性。然而,M＿SMC运行过程中出现了矩阵存储和计算步骤的内存消耗过多问题。为了将算法部署到显存有限的GPU上,优化矩阵存储和计算步骤,提出分批处理的矩阵化拟单层覆盖近似集算法(BM＿SMC)。在10个数据集上的实验结果表明,融合GPU的BM＿SMC算法与单纯使用中央处理器(CPU)的BM＿SMC算法相比计算效率提高2.16～11.3倍,BM＿SMC算法可以在有限的存储空间条件下充分利用GPU,能够有效地提高拟单层覆盖近似集的计算效率。