概率粗糙集Ⅲ型与Ⅳ型之研究

经典粗糙集理论在解决系统不确定性知识时有明显的不足,对于不协调的决策表的规则提取存在很大的局限性.因此许多学者从不同的角度如变精度、概率论、模糊集来拓展其研究领域.概率粗糙集是从概率论出发,充分利用近似边界区域提供的统计信息,能提取带有确定因子的决策规则.概率粗糙集Ⅲ型与Ⅳ型是其后两种形式.论文推导了概率Ⅲ型与Ⅳ型的若干定理及重要性质,并予以证明;把最小风险Bayes决策转化为概率Ⅲ型与Ⅳ型下的问题来解决,最后用一个实例说明了其有效性.     

相似关系下的模糊粗糙集

经典的模糊粗糙集是建立在普通等价关系基础上的，提出了普通相似关系下的模糊粗糙集，讨论了一系列性质，得到了几个有意义的结果．最后研究了模糊粗糙集的粗相等。     

Bayes决策及其应用

为了利用Bayes决策理论对学生通过考试的概率进行预测,首先在理论上证明了Bayes决策函数是一种最优决策,给出了Bayes决策的错误概率以及回归函数的一条简单的性质。其次在预测学生通过考试的概率模型中,从影响学生成绩的每周电脑游戏时间数T、课外活动时间数E及一些无法量化的指标等因素L出发,用Bayes决策构造出各种情形下的最优决策函数,以较小的错误概率对学生通过考试进行预测,这在实际教学管理过程中有一定的应用价值。     

产品质量概率Bayes推断与风险决策

利用Bayes推断模型,提出了一种非常实用、非常简便的质量风险分析与风险决策的方法。该方法既考虑了决策者的私有信息(如经验、主观判断等),又考虑了传统的仅以样本推断总体的数理方法.     

α-粗糙集模型中的不可分辨关系

讨论了α-粗糙集模型中的不可分辨关系．根据论域中对象的定性属性值和定量属性值的特点，利用模糊聚类分析的方法，给出两种既便于计算又利于属性约简的不可分辨关系．     

一种广义模糊粗糙集模型的新定义

在Pawlak粗糙集模型的基础上,把一个论域推广到两个论域,等价关系推广为模糊关系,被近似对象换成模糊集,得到广义模糊粗糙集模型．讨论了该模型与经典粗糙集模型的关系,并与其他模糊粗糙集算子进行了比较．该模型在保留原有一些性质的基础上,近似精度提高了,更具有实际应用价值．     

一种广义模糊粗糙集模型的新定义

在Pawlak粗糙集模型的基础上,把一个论域推广到两个论域,等价关系推广为模糊关系,被近似对象换成模糊集,得到广义模糊粗糙集模型．讨论了该模型与经典粗糙集模型的关系,并与其他模糊粗糙集算子进行了比较．该模型在保留原有一些性质的基础上,近似精度提高了,更具有实际应用价值．     

基于多核粒化的模糊粗糙计算模型

传统的单核粒化粗糙集模型没有考虑不同粒化关系的相互影响. 为解决这一问题, 提出了基于多核粒化的模糊粗糙计算模型. 以一族核关系构成的多粒度空间为研究对象, 将乐观和悲观粗糙集模型拓展到多核空间, 定义了基于S-T算子的多核下、上近似算子. 给出了基于多核粒化粗糙逼近的属性选择算法. 实验结果验证了不同核粒化关系之间"求同存异"和"求同排异"的相互作用.     

基于包含度的区间直觉模糊粗糙集模型

利用区间直觉模糊包含度的概念建立区间直觉模糊粗糙集模型。首先,将直觉模糊集中的包含度拓展到区间直觉模糊集上,给出区间直觉模糊包含度定义和计算公式;其次,在区间直觉模糊等价关系下,基于区间直觉模糊包含度,建立了区间直觉模糊粗糙集模型,并对近似算子的重要性质进行了讨论。     

不完备序值系统中的粗糙集与模糊粗糙集

以不完备序值信息系统为研究对象,其中不仅包含丢失型未知属性值,而且属性值域为全序集,提出相似优势关系的概念,并在不完备序值决策系统中给出基于相似优势关系的粗糙集模型.在不完备模糊序值决策系统中,给出基于相似优势关系的模糊粗糙集模型,并讨论其相关性质.     

基于模糊集和粗糙集理论的企业免疫力评价

借鉴免疫学理论,在前人研究的基础上,对企业的免疫力进行了初步探讨,并构建了企业免疫力评价指标体系。将模糊集与粗糙集理论有机结合起来,运用模糊识别对指标进行模糊定性,运用粗糙集依赖度理论进行属性约简,并赋予属性权重,建立综合评判式。最后通过实例验证了该方法的实用性和可行性,为企业免疫力的评价提供了新的思路。     

知识的不确定性度量和基于信息熵的模糊粗糙度

基于另一角度——信息熵给出了模糊集在λ—水平下的模糊粗糙度的概念，从而更深刻地反映知识的不确定性及集合的不确定性．     

基于包含度的粗糙集模型的推广

在文献[1]的基础上,给出了三个新的基于包含度的粗糙集模型。并指出这些基于包含度的粗糙集模型分别是相应的概率粗糙集模型的推广形式。最后举例讨论了所给模型的一些性质。     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

粗糙集理论及其应用

介绍了一种不完备信息的新颖、有效的软计算方法-粗糙集理论,阐述其基本理论框架,讨论其典型应用,描述粗糙集与神经网络、模糊集、并行算法、专家系统有机结合的条件,并介绍了几种智能处理系统的结构。     

粗糙模糊规划

提出了一种基于粗糙模糊集的数学规划模型,该模型利用粗糙模糊集中的上、下近似之差表示模糊规划模型中的容差,可得出系统的客观容差,为解决基于粗糙模糊信息系统的规划问题提供理论参考。