模糊集和粗糙集的集成研究

模糊集和粗糙集理论在含有不确定性知识的领域中具有广泛的应用。两者所具有的各自特点及其互补性,使得它们的结合是必然的。讨论了关于模糊集和粗糙集的基本问题,在分析了模糊集、粗糙集和经典集合之间的关系后,给出因它们的集成而产生的模糊粗糙集和粗糙模糊集概念。最后结合具体实例讨论了模糊粗糙集和粗糙模糊集的应用。     

基于粗糙集和模糊集的属性约简算法

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论,两者都可用来观察、测试数据并进行推理。虽然它们之间有一些重叠,但两者的着眼点和计算方法是不一样的,因此不能相互替代,而是必须结合起来使用。本文在研究粗糙集和模糊集理论的基础上将两者相结合,提出了一个新的属性约简算法,并给出了一个应用实例。     

粗糙集理论及其应用

在很多实际系统中均不同程度地存在着不确定性因素，采集到的数据常常包含着噪声，不精确甚至不完整，粗糙集理论是继概率论，模糊集，证据理论之后的又一个处理不确定性的数学工具，作为一种较新的软计算方法，粗糙集近年来越来越受到重视，其有效性已在许多科学与工程领域的成功应用于得到证实，是当前国际上人工智能理论及其应用领域中的研究热点之一，本文介绍了粗糙集理论的基本概念，特点及有关应用。     

对模糊集、粗糙集和Vague集的比较研究

模糊集、粗糙集和Vague集三种理论都是对经典集合理论的扩展,使得集合论的应用扩展到了含糊的、不确定性的问题领域。介绍了三种集合的基本思想,重点分析三种理论的区别和内在联系,同时对三种理论的发展及应用作了一些探讨性研究。     

模糊集、粗糙集和商空间理论的比较研究

针对模糊集、粗糙集及商空间理论,从对智能的理解、粒的表示、粒度的定义和粒的关系这4个方面进行比较。分析比较结果可知,它们的共同之处有：用集合定义粒,用粒描述知识;不同之处有：词计算和粗糙集理论分别从微观角度研究词的推理和属性的约简,而商空间理论是从宏观角度研究粒度的变化规律。     

基于模糊集和粗糙集联系度的商务决策系统

粗糙集理论和模糊集理论都是研究信息系统中知识的不完整、不确定性问题,把集对分析中的联系度概念应用于粗糙集中,说明了粗糙集联系度与下近似集和上近似集的值化的关系,将粗糙集联系度理论与模糊集理论相结合,提出了一种基于模糊集和粗糙集联系度的综合评价方法,实例验证了该方法对一大类复杂信息系统的知识发现具有一定的应用价值。     

粗糙集知识发现的研究现状和展望

通过对粗糙集知识发现理论发展历史的问题，对粗糙集知识发现研究现状的探讨，结合目前主要的粗糙集知识发现系统，指出了粗糙集知识发现存在的问题，并对今后几年的研究进行了展望。     

基于模糊集截集的模糊粗糙集模型

基于L.A.Zadeh模糊集的截集的概念给出了论域U上任意模糊子集的上、下近似的刻画,得到了基于模糊集的截集的粗糙集模型,亦即模糊粗糙集,实现了用论域U中的模糊集近似论域上的任意模糊集,进一步推广了Z.Pawlak粗糙集模型,扩展了粗糙集的应用范围。最后,研究了其基本性质以及其与其他粗糙集模型的关系。     

粗糙集理论中不确定性的粗糙信息熵表示

1 引言粗糙集理论从新的视角对知识进行了定义,把知识看作是关于论域的划分,认为知识是具有粒度的(granularity),即知识是粗糙的。知识的粒度越大,其越粗糙,知识含量就越少。并认为知识的不确定性是因知识粒度太大引起的,知识的粗糙性越大,则其不确定性也越大。在粗糙集理论中,一个集合由其上逼近集合和下逼近集合来近似,因此集合存在着不确定性。另一方面,在信息论中,信息熵的概念从物理概念上反映了知识库的知识含量、不确定性及随机性的本质。因此,本文从信息熵的角度更深刻地反映知识的不确定性及集合的不确定性。     

粗糙集理论在故障诊断专家系统中的应用

针对专家系统中知识获取的瓶颈问题，引入了一种基于粗糙集理论的专家系统模型。该模型在知识入库前对其进行过滤，并利用粗糙集理论的约简算法消除知识库的冗余，从而实现了对知识库结构和性能的有效维护及完善。     

一种广义直觉模糊粗糙集模型

Atanassov直觉模糊集是对Zadeh模糊集最有影响的一种扩充和发展。为进一步拓展Pawlak粗糙集对多重不确定性信息的处理能力,将直觉模糊集引入粗糙集,采用构造性方法提出了一种广义直觉模糊粗糙集模型。首先,介绍了直觉模糊集在一个特殊格上的等价定义,对直觉模糊近似空间的两个基本要素(直觉模糊逻辑算子和直觉模糊关系)进行了研究,证明了一些重要的性质定理;在此基础上,建立了等价关系下的直觉模糊粗糙集模型;最后,对所提模型的性质进行了分类验证与讨论。     

基于相似Rough集的模糊检索策略

Ｒｏｕｇｈ集理论作为一种具有模糊边界的集合理论，被广泛运用于不确定环境下的信息处理。文章探讨了一种基于相似关系Ｒｏｕｇｈ集的模糊查询技术，它是对普通Ｒｏｕｇｈ集在数据库中应用的推广，能有效地提高查询的灵活度及效率。     

软间隔模糊粗糙支持向量机

分析了硬间隔模糊粗糙支持向量机(FRSVMs)的优点与不足。FRSVMs通过修改硬间隔支持向量机(SVMs)的约束条件提高了泛化能力;FRSVMs虽然将训练样例的条件属性与决策属性之间的不一致性考虑在内,但是在寻找最优超平面时仍然要求将训练集完全正确地分开,因此对噪音具有敏感性。针对FRSVMs的这个缺点,提出了软间隔模糊粗糙支持向量机(C-FRSVMs)。它使用高斯核函数作为模糊相似关系,将数据集中样例的条件属性与决策标签之间的不一致程度考虑在内;在训练寻找最优超平面的过程中允许存在错分点,并对原始最优化问题中训练样例的错分程度进行惩罚;既考虑了间隔最大,又考虑了训练误差最小,从而降低了对噪音的敏感性。实验表明:针对一些数据集,无论其是否存在异常点,C-FRSVMs在测试精度上都可以同时优于硬间隔SVMs、软间隔支持向量机(C-SVMs)和FRSVMs,从而进一步提高了FRSVMs的泛化能力。     

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。     

基于乐观和悲观策略的犹豫模糊粗糙集方法

已有的犹豫模糊粗糙集并未考虑多源信息处理的需要.为了解决这一问题,文中分别提出乐观多粒度犹豫模糊粗糙集模型和悲观多粒度犹豫模糊粗糙集模型,并详细分析这两种模型的理论性质.最后通过一个多源信息系统的实例对比分析乐观和悲观形式下的近似集.     

模糊信息系统中基于OWA算子的模糊粗糙集模型

在模糊信息系统中,属性值并不是一个确定的值,而是一个隶属度函数。因此,通过利用有序加权平均(OWA)算子聚合对象间在每个属性上的差异,刻画出对象之间的相似性,定义对象的相似度并讨论其相关性质。借助对象相似度,通过逻辑关系和相应的函数运算,分别给出了对象隶属于上、下近似集合的隶属度。最后,通过实例分析说明在模糊信息系统中,该相似度能较准确地刻画出对象的相似性,同时,对象对于上、下近似的隶属度能更直观、合理地反应对象隶属于某一集合的上、下近似的情况,且能更合理地描述这一粗糙集合。     

基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.     

基于模糊包含的粗糙集模型与模糊信任测度

提出基于模糊包含的模糊粗糙集模型,并给出其相关性质。讨论由模糊粗糙集的下、上近似所决定的模糊信任测度、模糊似然测度的性质并将之应用到随机模糊信息系统的属性约简中。     

基于程度不可区分关系的粗糙集模型

不可区分关系是粗糙集理论的基础。针对信息系统,提出了程度不可区分关系的概念来刻画信息系统中对象的可区分性程度的差异。提出了基于程度不可区分关系的粗糙集模型,并讨论了模型的基本性质,最后研究了基于程度不可区分关系的粗糙近似算子与Pawlak近似算子的关系。