基于θ算子的变精度直觉模糊粗糙集*

在模糊近似空间中,结合直觉模糊集的隶属度、非隶属度与模糊蕴涵算子,提出基于θ算子和θ^算子的直觉模糊集及其隶属度和非隶属度的概念,并证明它们一系列性质.然后,结合直觉模糊集与变精度粗糙集,定义基于θ算子的变精度直觉模糊粗糙集,提出求解变精度粗糙集阈值参数β的方法,使用算例分析该方法.     

基于模糊化的决策粗糙集属性约简和分类

决策粗糙集是一种基于贝叶斯风险最小化原则的具有一定容忍度的概率粗糙集模型,但当前关于决策粗糙集模型的研究只局限于处理具有离散型数据的信息表.文中将模糊集和决策粗糙集理论相结合,在决策粗糙集模型中计算期望风险损失时,利用模糊隶属度函数代替传统的后验概率求解方法,这样可推导出新的决策规则,进而可高效处理那些包含连续型属性的信息系统.实验表明该方法是可行的,并且可通过调整隶属度函数,达到更佳分类效果.     

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。     

积模糊粗集模型及其模糊知识粒的表示和分解

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。之后粗集理论被推广,其方法主要有二:一是减弱对等价关系的依赖;二是把研究问题的论域从一个拓展到多个。结合这两种思想,研究基于两个模糊近似空间的积模糊粗集模型及其模糊粗糙集的表示和分解。根据这种思想,可以从论域分解的角度探索降低高维模糊粗糙集计算的复杂度问题。先对模糊近似空间的分层递阶结构———λ-截近似空间进行研究,得到不同层次知识粒的相互关系;然后定义模糊等价关系的积,并研究其性质及算法;最后构建基于积模糊等价关系的积模糊粗集模型,并讨论了该模型中模糊粗糙集的表示及分解问题,分别从λ-截近似空间和一维模糊近似空间的角度去处理,给出了可分解集的上(下)近似的一个刻画,及模糊可分解集的上(下)近似的λ-截集分解算法。     

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。     

基子粒计算的偏序粗集模型研究

本文依据标准粗糙集理论，结合粒计算思想，将基于等价关系的粗糙集模型扩展到偏序关系下，并进一步利用偏序关系的性质构造了不同分类来探讨上、下近似集，构造了基于粒计算的偏序粗集模型。模型在一定程度上扩充了标准粗集理论的应用范围，有利于人们研究生活中具有偏序关系的问题，文章结合信号传播现象阐述了其现实意义。     

多粒度邻域粗糙直觉模糊集模型*

针对名义型属性和数值型属性并存的混合型数据,结合多粒度邻域粗糙集和直觉模糊集,分别定义模糊覆盖粗糙隶属度和非隶属度.基于不同的属性集序列和不同的邻域半径,构建多粒度邻域粗糙直觉模糊集模型,证明模型相关性质.然后提出乐观和悲观多粒度邻域粗糙直觉模糊集的近似集,并讨论模型性质.最后使用文中模型计算实例,说明其能较好地解决名义型属性和数值型属性的混合型数据的处理问题.     

直觉模糊序信息系统的变精度与程度“逻辑差”粗糙集

将直觉模糊集合中元素的隶属度、非隶属度和犹豫度充分地结合起来,在直觉模糊信息系统中定义了二次加权得分函数。基于此得分函数定义了直觉模糊信息系统中的优势关系,进一步地,通过"逻辑差"的方式将变精度粗糙集和程度粗糙集结合起来,提出了变精度与程度"逻辑差"粗糙集模型,并研究了其相关性质,发现"逻辑差"组合能够同时考虑变精度和程度的双重量化信息。最后,通过实例分析,进一步体现了研究意义,为直觉模糊序信息系统的知识发现提供了理论基础。     

基于优势关系的程度粗糙直觉模糊集模型研究

针对经典粗糙直觉模糊集理论仅考虑了集合中的最小/最大隶属度与非隶属度,而忽略了介于二者之间的隶属度与非隶属度的问题,从程度粗糙集的角度对其进行了分析研究。首先,将程度粗糙集引入到经典粗糙直觉模糊集模型中,定义了μ′(y)和ν′(y),将其与最小/最大之间的隶属度与非隶属度的值比较。然后,构建新的下、上近似,提出四个模型,即基于优势关系的Ⅰ型、Ⅱ型程度粗糙直觉模糊集模型和基于优势关系的Ⅰ型、Ⅱ型双论域程度粗糙直觉模糊集模型,讨论这些模型的相关性质。这些模型的边界域缩小了,也降低了模糊熵值。最后,通过实例验证了模型的有效性。     

一种新的覆盖粗糙模糊集模型

在覆盖粗糙集与模糊集结合的研究中,已有的覆盖粗糙模糊集模型存在两类问题:一类是元素的上、下近似隶属度之间的差值通常过大;另一类是元素的上、下近似隶属度与其在给定模糊集中的隶属度无关.对此,通过定义模糊覆盖粗糙隶属度,将元素的最小描述与给定模糊集建立联系,同时综合元素在给定模糊集中的隶属度,进而建立一个新的覆盖粗糙模糊集模型.理论比较和实验结果均表明该模型可以有效解决上述两类问题.     

一种基于粒度的粗糙聚类分析方法

基于粗糙集理论,分析等价关系与粒度之间的关系,提出一种基于粒度的粗糙聚类方法。该方法根据数据对象之间的相对相似性形成初始等价关系和等价类,每个等价类对应一个粒度。引入等价关系隶属度因子 ,用于度量等价关系间隶属关系,作为聚类过程一个有效参数,控制聚类的规模。通过迭代计算聚类的有效性,得到优化的聚类结果。聚类过程表明,聚类分析在一个统一的粒度下进行,在样本点之间定义一种等价关系。实验结果证实了该方法的有效性,用规则集描述的聚类结果具有可解释性和合理性。     

Rough Neural Computing in Signal Analysis

This paper introduces an application of a particular form of rough neural computing in signal analysis. The form of rough neural network used in this study is based on rough sets, rough membership functions, and decision rules. Two forms of neurons are found in such a network: rough membership function neurons and decider neurons. Each rough membership function neuron constructs upper and lower approximation equivalence classes in response to input signals as an aid to classifying inputs. In this paper, the output of a rough membership function neuron results from the computation performed by a rough membership function in determining degree of overlap between an upper approximation set representing approximate knowledge about inputs and a set of measurements representing certain knowledge about a particular class of objects. Decider neurons implement granules derived from decision rules extracted from data sets using rough set theory. A decider neuron instantiates approximate reasoning in assessing rough membership function values gleaned from input data. An introduction to the basic concepts underlying rough membership neural networks is briefly given. An application of rough neural computing in classifying the power system faults is considered.     

多粒化的模糊粗糙集代数

众所周知,一个粗糙集代数是由一个集合代数加上一对近似算子构成的。首先利用公理化的方法探讨经典的多粒化模糊粗糙集代数系统,可知经典的多粒化模糊粗糙集代数没有很好的性质;其次,引入 具有最小(大)元的等价关系的定义,并给出了基于具有最小(大)元等价关系的多粒化模糊近似算子的概念,在此基础上讨论了模糊粗糙集代数的性质,并得到了诸多结果。     

串行概率粗糙集近似

经典的概率粗糙集模型是基于等价关系和条件概率提出的。但在实际应用中,知识库存在多种不确定性因素,使得对象间的关系未必满足等价关系。因此在保证条件概率有意义的情况下,将等价关系推广到串行二元关系,讨论了串行关系下的概率粗糙集近似;研究了当目标概念发生变化时,串行概率粗糙下、上近似的性质;进一步,通过调整两个阈值,给出了对应的串行概率粗糙下、上近似的变化趋势。     

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。     

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.     

二型模糊粗糙属性约简模型

属性约简是粗糙集理论的重要应用之一,其目的是在保持分类能力不变的前提下去掉冗余的属性,从而简化信息系统。由于经典粗糙集等价关系的要求过于严格,为了更好地解决实际问题,将粗糙集与二型模糊集结合,得到二型模糊粗糙集。利用论域和特征空间的积空间上的两个一型模糊集来构造论域的一个二型模糊划分,将模糊粗糙集属性约简的模型推广到二型模糊粗糙集框架中,得到了一个二型模糊粗糙属性约简的模型,并举例说明了用此模型进行属性约简的方法。     

模糊等价关系上的粗糙集研究

从宏观的角度研究集合不容易发现元素之间的关系,并且不可避免地带来人为的随意性和不确定性。从微观元素的相似性出发,首先建立了在模糊等价关系上的等价类以及模糊等价关系上的粗糙集,研究了相似程度参数的合理取值范围问题,提出并证明了粗糙集算子的计算定理,然后论述了模糊等价关系上的粗糙集与经典粗糙集的关系,发现并研究了经典粗糙理论处理相同元素时会出现的元素分类不一致问题,最后给出了经典粗糙集算子的计算方法。     

集值信息系统中的模糊优势关系粗糙集

以集值信息系统为研究对象,考虑对象之间的优势程度,提出了模糊优势关系的概念;将模糊的方法引入优势关系粗糙集理论,给出了基于模糊优势关系的粗糙集模型并讨论了其相关性质,为从集值决策系统中获取决策规则提供了新的理论基础与操作手段。通过实例验证了所提方法的可行性和有效性。