(μ,λ)演化策略的收敛定理

给出（μ，λ）型深化策略的一个一般的收敛定理并给出其在实际算法中的两个应用，对连续目标函数，通过研究算法种群达到目标函数全局极大解集邻域的概率，得到此概率的一个递推估计式。利用此估计式给出算法种群依概率收敛于目标函数全局最优解集的一个有价值的充分条件。     

近似空间的合成及其应用

讨论了粗糙集理论中近拟空间的合成及其在智能信息系统中的应用。证明了随着可利用信息的不断增加，上下近似对概念的描述也更精确。从而为粗糙理论的应用提供了更为广阔的前景。     

数据挖掘与数据库知识发现:统计学的观点

数据挖掘和数据库知识发现是当前国际科技界的一个研究热点，这是一个介于统计学，模式识别，人工智能、机器学习、数据库技术以及高性能并行计算等领域的交叉新兴学科，具有极为广泛的应用前景。从统计学的角度来透视其中相关的统计问题，提出了传统统计学面临的挑战，以及在这个领域将带来的一些新的研究方向。     

不协调集值决策信息系统的属性约简

给出了不协调集值决策信息系统的两种属性约简方法：分配约简和部分一致约简。分配约简保持所有对象的可能决策类不变,部分一致约简保持部分对象的一致决策不变。给出了这些约简的判定定理和辨识矩阵,从而得到了属性约简的具体操作方法。     

Pawlak粗糙集模型的随机集表示及合成

1.引言和预备知识粗糙集作为一种处理不精确、不确定与不完全数据的新的数学理论,最初是由波兰数学家Z.Pawlak于1982年提出的。在Pawlak粗糙集模型中,论域中的对象或元素可以用可利用的信息(或知识库中的知识)来描述。当两个不同的对象具有相同的描述时称这两个元素是不可区分的。所有具有相同描述的元素构成了一个等价类,所有等价类构成了这个论域的一个划分,任意给定论域的一个子集,人们不一定能用知识库中的知识来精确地描述,这时就用关于这个集合的一对上、下近似来描述。粗糙集理论的主要思想是利用已知的知识库,将不精确或不确定的知识用已知知识库中的知识来(近似)刻画。     

概念粒计算系统的数学模型

文中在两个完备格之间引入了外延内涵算子与内涵外延算子,构建了概念粒计算系统,证明了由该系统生成的全体概念集合是具有最大元与最小元的格.此概念粒计算系统不仅包括了由形式背景形成的概念格以及由L模糊形式背景形成的L模糊概念格,也包括了3种变精度概念格,即概念的外延与内涵分别为经典集与经典集、经典集与模糊集、模糊集与经典集.最后在概念粒计算系统中,给出了概念粒迭代计算方法,并证明了它在某种意义下的最优性.     

模糊规则的谐调度与矛盾规则的排除方法

本文给出了模糊规则的谐调度，得到了两个模糊规则有公共解的充分必要条件，提供了模糊规则知识库中矛盾规则的排除方法．     

变精度对偶概念格的构造及其性质

形式概念分析作为进行数据分析的有效工具,吸引了世界各地研究者的关注。由于二值形式背景的局限性,人们将模糊集引入形式概念分析。但是模糊形式背景生成的模糊概念数量庞大。讨论了基于模糊形式背景的模糊对偶概念格的概念约简,构造出了模糊对偶概念格的三种变精度概念格,讨论了它们的关系。结果表明每一种变精度概念格都保留了模糊对偶概念格中相对重要的概念。变精度对偶概念格的概念数量远远少于模糊对偶概念格的概念数。     

多重模糊假设检验的贝叶斯方法

应用统计推断和统计决策问题中,常常需要处理模糊概念,模糊假设检验是其中非常重要的一种情形。本文将模糊性引入到多重假设中,从贝叶斯决策的角度,分样本为清晰数据和模糊信息两种情形,研究了多重模糊假设的贝叶斯方法,并给出了数值例。