直觉模糊知识粒的分解与合成研究

针对近似空间笛卡尔积粗糙集模型及其可分解性问题,采用直觉模糊三角模算子构成新的直觉模糊积近似空间,研究了基于直觉模糊知识粒下积粗糙集模型的分解及合成问题.首先,运用直觉模糊三角模运算构造出新的直觉模糊关系,验证了其符合等价关系的条件,并给出新的等价关系的算法原理;其次,构建了直觉模糊积粗糙集模型,对其模型结构及数学特性...     

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。     

模糊相似关系下的模糊粗糙集及其截集

模糊粗糙集理论模型的建立和发展是Pawlak粗糙集模型推广的一个主要方向,该文在普通等价关系下的模糊粗糙集的基础上．给出了模糊相似关系下的模糊粗糙集的表示方法,并提出了模糊集的截集在模糊相似关系下的下、上近似的表示方法及其性质。     

粗糙集的直觉模糊特殊集表示及其在属性约简中的应用

在近似空间〈U,θ〉的框架下,讨论了直觉模糊特殊集及直觉模糊特殊σ-代数的若干性质,给出了粗糙集的直觉模糊特殊集表示及生成方法.分析了直觉模糊特殊集之间的距离(Hamming距离和Euclidean距离)与决策规则的确定区域之间的关系,并使用Harmming距离或Euclidean距离实现了粗糙集理论中的属性约简.     

模糊关系下的粗集粗糙度

本文研究粗糙集的粗糙度问题。首先仔细分析了Pawlak粗糙集的粗糙度,得到了粗糙集粗糙度包容相斥原理;然后将结果推广到模糊集理论领域,对研究模糊关系下模糊粗糙集理论有一定的作用。     

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。     

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。     

一般等价关系下直觉模糊粗糙集模型及其性质的研究

系统研究了一般等价关系下直觉模糊粗糙集模型,给出该模型多种定义形式,详细阐述了上下近似的性质,定义了直觉模糊粗糙集截集的概念,最后给出了该直觉模糊粗糙集模型的分解定理和表现定理,并证明定理的正确性。     

新的模糊粗集知识约简算法

提出了一种基于模糊决策属性依赖度的属性相对约简算法。该算法利用粗糙集理论分析的方法,通过在知识表达系统中引入模糊决策属性依赖度的概念,来描述由条件属性所提供的知识对整体决策的依赖程度,并通过模糊决策属性依赖度定义了条件属性对模糊决策属性的相对重要性,以此作为启发式信息,可以方便地求出相对核,再以相对核作为求解最小相对约简的起点。按重要性的不同逐次选择重要属性添加到相对核中,直至其依赖度达到整体条件属性依赖度时为止。     

基于粗集的模糊属性值信息系统的知识获取

文章研究了一类属性取模糊值的不完备信息系统的知识获取方法。首先给出了信息系统的一种表示方法,同时采用模糊集思想,构造了这类系统的模糊不可分辨关系,并研究了这类信息系统的知识获取算法,并以一个实例,说明了这种算法的有效性。     

一种覆盖粗糙模糊集模型

粗糙集扩展模型的研究是粗糙集理论研究的一个重要问题.其中,基于覆盖的粗糙集模型扩展是粗糙集 扩展模型中的重要一类.覆盖近似空间中的概念近似是从覆盖近似空间中获取知识的关键.目前,研究者对覆盖近似空间中经典集合的近似进行了较多的研究.针对覆盖近似空间中模糊集合的近似,虽然不同的覆盖粗糙模糊集模型 被提了出来,但它们都存在不合理性.从规则的置信度出发,提出了一种新的覆盖粗糙模糊集模型.该模型修正了已 有模型中存在对象在下近似中不确定可分和上近似中不近似可分的问题.分析了具有偏序关系的两个覆盖近似空 间中上、下近似之间的关系,发现两个不同覆盖生成相同覆盖粗糙模糊集的充要条件是这两个覆盖的约简恒等.分 析了新模型与Wei 模型、Xu 模型之间的关系,发现这两种模型是新模型的两种极端情况,且其应用前提是覆盖为一 元覆盖.这些结论将为覆盖粗糙模糊集模型应用于决策为模糊的情形提供理论基础.     

一种覆盖粗糙模糊集模型

粗糙集扩展模型的研究是粗糙集理论研究的一个重要问题.其中,基于覆盖的粗糙集模型扩展是粗糙集扩展模型中的重要一类.覆盖近似空间中的概念近似是从覆盖近似空间中获取知识的关键.目前,研究者对覆盖近似空间中经典集合的近似进行了较多的研究.针对覆盖近似空间中模糊集合的近似,虽然不同的覆盖粗糙模糊集模型被提了出来,但它们都存在不合理性.从规则的置信度出发,提出了一种新的覆盖粗糙模糊集模型.该模型修正了已有模型中存在对象在下近似中不确定可分和上近似中不近似可分的问题.分析了具有偏序关系的两个覆盖近似空间中上、下近似之间的关系,发现两个不同覆盖生成相同覆盖粗糙模糊集的充要条件是这两个覆盖的约简恒等.分析了新模型与Wei模型、Xu模型之间的关系,发现这两种模型是新模型的两种极端情况,且其应用前提是覆盖为一元覆盖.这些结论将为覆盖粗糙模糊集模型应用于决策为模糊的情形提供理论基础.     

多粒度覆盖粗糙模糊集模型不确定性研究

针对覆盖粗糙模糊集中存在的上下近似不一致问题.引入一种更为合理的覆盖粗糙模糊集模型,讨论了该模型的结构与相关性质,定义了基于此模型的粗糙度度量方法.基于覆盖粗糙模糊集中粗糙度相等的情形,提出模糊集中极大模糊集的概念,并利用模糊集与极大模糊集的距离问题定义了模糊集的优劣次序,从而有效解决了模糊集在覆盖粗糙模糊集中粗糙度的度量问题.通过引入粗糙熵等相关概念,证明了此模型中仍然存在随最简覆盖变细,两种度量单调减少的规律,并通过实例进行了验证.从而为进一步揭示粗糙集、粗糙模糊集及覆盖粗糙模糊集之间的不确定性度量规律提供了理论依据.     

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。     

基于粗隶属函数的粗糙集模型的推广

通过粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系。把粗隶属函数视为论域上的一个特殊模糊集,用它的!-截集和强"-截集的概念,将经典粗糙集模型进行推广,提出基于等价关系的隶属度粗糙集模型,验证一些有用的性质,并证明该模型比Pawlak粗糙集模型具有更好的精度。最后将基于等价关系的隶属度粗糙集模型拓展到基于一般二元关系的广义隶属度粗糙集模型,并给出其相应的性质。     

基于广义变精度粗糙模糊集模型的知识发现

介绍了广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型,找出了它们的不足.基于支集相对错误分类率及误差参数β(0≤β＜0.5),提出了广义变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与广义Pawlak's粗糙集模型、广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性.     

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。