双向S-粗模糊集及其F-结构

针对系统具有的模糊特性、不确定性和动态特性,利用模糊集理论和S-粗集理论,提出双向S-粗模糊集和λ-ρ双向S-粗模糊集的概念及其F-结构,给出了双向S-粗模糊集和λ-ρ双向S-粗模糊集的性质定理,并对其F-特性进行讨论,给出了应用.双向S-粗模糊集为动态粗糙模糊系统的应用提供了新的途径.     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

高型粗糙模糊集及高型模糊粗糙集

定义了L型粗糙模糊集（L型RF集），给出了其相关性质，进而引进了高型粗糙模糊集（高型RF集），它比普通的RF集具有更高层次的粗糙模糊性，可用于人们对粗糙模糊现象的描述，增强人们对自然语言的表达能力，平行地，最后研究了高型模糊粗糙集（高型RF集）。     

基于上重截集形式的粗糙模糊集的构造性质

本文在Pawlak近似空间中引入了λ-、强λ-上重截集的概念,系统地讨论了基于上重截集形式的粗糙模糊集的构造性质,得出了基于模糊等价关系的粗糙模糊集的表现定理和扩张定理并给出了系统的证明.     

单向S-粗模糊集对偶及其结构

基于动态系统,结合模糊集理论和单向S-粗集理论,提出了单向S-粗模糊集对偶的概念及其结构,对F-特性进行了讨论,给出了应用.     

各种截集形式的粗糙模糊集的构造性质

本文在Pawlak近似空间中引入了λ-上截集、强λ-上截集,λ-下截集、强λ-下截集,λ-上重截集、强λ-上重截集,λ-下重截集、强λ-下重截集的概念,系统地讨论了基于各种截集形式的粗糙模糊集的构造性质,得出了基于模糊等价关系的各种截集形式的粗糙模糊集的表现定理和扩张定理并给出了系统的证明。     

相容粗糙模糊集模型

在粗糙模糊集模型中,被逼近的目标概念是一个模糊集,使用的知识是等价关系,即描述对象的属性是离散值的。但在很多实际应用中,描述对象的属性是实数值的。针对这一问题,将粗糙模糊集模型中的等价关系推广为相容关系,提出了相容粗糙模糊集模型。当相容关系退化为等价关系时,相容粗糙模糊集模型即为粗糙模糊集模型。相容粗糙模糊集模型扩展了粗糙模糊集的应用范围。     

粗糙模糊集的粗糙性度量

粗糙集理论和模糊集理论是处理不确定和不精确问题的两种数学工具,它们有很强的互补性,将这两种理论相互融合可以建立粗糙模糊集模型。本文在概率近似空间上研究了粗糙模糊集的粗糙性度量,定义了知识的粗糙度概念,并将它与模糊集的粗糙度相结合给出了粗糙模糊集粗糙性的一种新的度量,验证了该度量的一些性质。     

粗模糊集的嵌入集的性质

为了进一步揭示粗集和模糊集的内在联系,在粗集和模糊集的基础上,讨论了粗模糊集的嵌入集的性质;利用模糊集的截集,讨论了粗模糊集的嵌入集的截集性质;给出了粗模糊集的嵌入集的性质定理及其截集的性质定理。     

粗糙模糊集的若干区别度度量探讨

区别度是刻画模糊集之间差异程度的一种度量方式,区别度研究具有重要理论意义．本文给出了粗糙模糊集区别度度量应满足的若干条件,提出了三种形式的粗糙模糊集区别度,并讨论了它们的基本性质．     

函数单向S-粗集对偶与F--预测规律发现

函数S-粗集理论是粗集理论的拓展,函数单向S-粗集对偶是函数S-粗集的三类形式之一. 函数S-粗集具有规律特性、动态特性、遗传特性、记忆特性与预测特性. 利用函数单向S-粗集对偶的动态特征, 给出-预测规律、F-预测规律和预测度概念, 提出预测规律的预测定理, 并在通信传输识别系统中给出应用. 函数S-粗集(函数单向S-粗集、函数单向S-粗集对偶、函数双向S-粗集)与信息系统融合、交叉是粗集理论中的一个新的研究方向.     

P-粗积分与函数双向S-粗集的粗糙度

在函数双向S-粗集生成的P-粗积分的基础上提出了函数双向S-粗集的精度与粗糙度的概念,讨论了函数双向S-粗集的精度与粗糙度的一系列特性,并得到函数双向S-粗集的可分辨准则与函数双向S-粗集的筛选 剩余定理。     

粗区域生成与二重粗积分

以函数单向S-粗集的上、下近似生成的函数为基础,提出了粗区域的概念,进而提出基于函数单向S-粗集的二重粗积分的概念,研究其性质得出了二重粗积分是普通二重积分、一元粗积分的推广。而且由于它具有双向动态特性,为研究能量输出状态变化等实际问题提供了一个有效的工具。     

关于模糊粗糙集的一个注记

指出文献[6]中定义的模糊粗糙集的补集不再是模糊粗糙集.为了克服原定义中的缺陷,给出了关于模糊粗糙集的新的补集定义,讨论了相应的运算性质.同时还证明:模糊粗糙集其实就是定义在F格L上的L-模糊集.     

Vague集、模糊集和粗糙集的内在联系及其转化

研究了Vague集、模糊集与粗糙集之间的内在联系和互相转化．证明了：对于给定的粗糙集，可以在它的幂集上定义一个伴随的Vague集（模糊集）；反过来，给定的一个Vague集（模糊集），可以定义它伴随的粗糙集．另一方面，在一个粗糙集系统给定的两个等价关系之间，可以定义它们的相对Vague集（模糊集）；同一个论域上的两个不同的Vague集（模糊集）可以定义它们的相对粗糙集，从而利用粗糙集方法研究它们之间的相对关系．     

基于粗集的模糊聚类方法和结果评估

粗集的决策表的属性包括定量属性和定性属性,针对这种情况,根据一种对象的相似性度量方法,使用模糊聚类方法对粗集对象进行模糊聚类,对聚类结果进行了评估(根据这种聚类方法得到的结果和实际的分类结果进行比较)．在这种相似性度量方法基础上,证明了粗集的等价关系可以被转化为模糊等价矩阵．基于粗集的聚类步骤如下：首先,一个粗集等价关系都可以转化为一个模糊相似矩阵,其次,转化成一个模糊等价矩阵,最后,进行模糊聚类．对此方法进行了实验,并对实验的结果进行评估．实验结果说明了这种方法的简单高效．     

单元素迁移与S-粗集的动态结构特征

在S 粗集的基础上,给出单元素迁移的定义,讨论了单元素迁移对粗集结构的影响,并给出了相关定理;用单元素迁移解释S 粗集的动态过程,给出了S 粗集的动态结构特征.     

区间值模糊集上的粗糙近似

提出了区间值模糊粗糙集的上下近似，并且利用区间值模糊集的截集定义了区间值模糊粗糙度量，在此基础上讨论区间值模糊粗糙集和区间值模糊粗糙度量的性质。     

函数单向S-粗集与系统状态检测-识别

函数S-粗集具有动态特性, 规律特性; 函数S-粗集具有三种形式: 函数单向S-粗集, 函数双向S-粗集, 函数单向S-粗集对偶。将函数单向S-粗集的概念引入到系统状态检测-识别中, 提出系统状态偏离, 状态偏离距离的概念, 给出系统状态识别准则与应用。 利用函数单向S-粗集, 在离散的时间区间上对系统状态进行检测, 是系统状态识别与检测的一个新的研究方向。     

一种新的双论域上模糊粗糙集

粗糙集模型的推广一直是粗糙集理论研究的一个热点.该文基于模糊相容关系,定义了双论域上模糊集的上下近似算子,从而得到了一种新的双论域上模糊粗糙集模型,并研究了它的性质.