动态粗集的一种新结构

Z.Pawlak粗集理论是一种研究和处理静态知识的静态粗集理论.提出研究和处理动态知识的动态粗集理论,给出动态粗集的数学表示,定义知识库上的元素迁移系数、D-粗集、D-近似集等概念,研究D-粗集的迁移特性,给出D-粗集退化定理、D-粗集转化定理、迁移平衡定理等,并进行实例分析和意义解析.D-粗集是Pawlak粗集的一般形式,而Pawlak粗集可以看作D-粗集的一种特例.     

完备格上模糊粗近似算子的代数结构

模糊粗集是粗集的模糊化。现有模糊粗集大多建立在t-范数、模糊（t-）相似关系以及对偶原理基础之上。本文将模糊知识（模糊数据）的属性值集[0，1]拓广到一般完备格，基于一般二元模糊关系、模糊合取算子以及模糊合取和模糊蕴涵间的“伴随”关系研究一类模糊粗近似算子。本文对一般模糊粗集的代数结构做了详尽的探讨，并研究了新的模糊粗集与经典粗集和模糊粗集之间的联系。结论表明：粗集的这种模糊化方法保持了Pawlak粗集的代数性质；所提出的模糊粗集是现有典型模糊粗集的一般化；而且，模糊粗近似的贴近度得以提高。     

F格上的逼近算子

粗集理论是波兰学者Pawlak提出的知识表示新理论.Pawlak代数是粗集理论中粗集系统的抽象,其公理系统包含了知识粗表示所必须的全部性质.本文深入研究了F格上的逼近算子,建立了F格上弱逼近算子之间的某些代数运算,从而从理论上建立了各种知识粗表示之间的联系.我们还定义了逼近算子的闭包,进而用逼近算子导出拓扑,为信息系统的近似提供必要的数学基础.最后,作为特例,我们研究了粗集理论中由相似关系导出逼近算子的某些性质.     

近似空间中的孤点与粗相等类的代数结构

讨论近似空间中的孤点对其代数结构以及粗相等的清晰集刻画的影响。利用基本知识集,对应于粗糙集的上、下近似集对与正、负域集对,分别定义了两个代数系统,证明了它们与粗相等类集合上的格是格同构的;给出了粗相等类的两种具体的结构形式。     

专家知识库粗集建模中基于熵的数据离散化

首先分析了专家知识库粗集建模中连续数据离散化存在的问题 ,指出允许引入少量的冲突对专家知识库的建模分析是有益的 ;提出了一种基于信息熵的数据离散化方法 ,并分析了数据离散化的熵的度量 ,根据求解问题设计了一种问题求解的遗传算法 ;最后以基于多 Agent车间调度系统中调度 Agent任务分派知识库的粗集建模为例说明了方法的应用过程     

扩张原理的粗集表示

粗集、模糊集均是处理不确定信息的数据分析工具,是数据挖掘的重要方法.由Zadeh首先提出的模糊扩张原理是模糊集理论的最基本的原理之一,粗集是通过上、下近似算子来发挥作用的.本文讨论扩张原理与粗集上近似之间的关系,证明了扩张原理可以表示成粗集上近似的形式,因此,扩张原理成了粗集与模糊集之间的桥梁.此外,借助粗集上、下近似算子的公理系统解决了扩张原理的反问题.     

λ-粗模糊集的分解

在模糊等价关系的基础上建立了λ-等价类和给出了λ-粗集的一般形式,根据等价关系R~强λ-截集的定义给出了强λ-等价类的定义和λ-强粗集的形式;然后根据模糊集与普通集合的分解定理,给出λ-粗模糊集的分解定理的几种形式;最后由λ-粗模糊集的分解定理可以求出R~-粗模糊集,并给出了R~-粗模糊集的几种表示形式。     

双向S-粗模糊集及其性质

讨论模糊集与双向S-粗集的联系。首先给出双向S-粗模糊集的概念,接着讨论它们的并、交、补运算及其性质;特别地,证明双向S-粗模糊集对并、交、补运算构成完全可无限分配的软代数。     

软代数的表示定理

本文研究了集对代数,证明了集对代数是Ｆｕｚｙ格。通过引入强素理想与强素滤的概念,证明了软代数的表示定理：定义了至多只有一个不动点的复原映射的格为软代数的充要条件是它具有同构集对表示。由表示定理可得任一软代数都具有集对表示     

软代数的自然表示

指出了软代数现行表示的非自然性;通过引入新的集对F格与伪幂集格,获得了两个自然的软代数表示定理,并证明了它们在某种意义上不可能再改进.     

基于Vague粗糙集信息熵的属性约简算法

针对复杂系统分析中的数据信息冗余问题,提出一种基于Vague粗糙集信息熵的属性约简算法。首先,对Vague粗糙集相关概念进行拓展,提出Vague粗糙集的扩展信息熵和广义信息熵的模型;其次,对基于信息熵的属性重要性度量和属性约简原理进行研究,进而提出了一种基于Vague粗糙集信息熵的监督式属性约简算法;最后,选取UCI数据库对算法性能进行验证,计算结果表明该算法实用有效。     

Probabilistic graded rough set and double relative quantitative decision-theoretic rough set

The probabilistic rough set (PRS) model ignores absolute quantitative information i.e., overlap between equivalence class and basic set. And graded rough set (GRS) model cannot reflect the distinctive degrees of information. In order to overcome these defects, this paper proposes the probabilistic graded rough set (PGRS), which is an extension of Pawlak's rough set and GRS. What is more, we propose double relative quantitative decision-theoretic rough set (Drq-DTRS) models, which essentially indicate the relative and absolute quantification.     

多集值信息表中的多粒度模糊决策论粗糙集

多粒度粗糙集和决策论粗糙集是Pawlak粗糙集的重要推广,目前已成为人工智能研究的热点.然而,它们大多处理的都是单值信息系统中的问题.而实际生活中绝大多数都是处理多值问题,为了解决这一问题,在多集值信息表中将多粒粗糙集与模糊决策论粗糙集相结合进行研究,提出了其在乐观,悲观情形下的上下近似,研究了一些相关性质并给出了多集值信息表中的多粒度模糊决策论粗糙集精度、粗度的概念,最后通过一个具体例子验证其有效性.     

单向奇异粗糙模糊集合的结构

用模糊集合与模糊等价关系对单向奇异粗集进行了研究,并给出了单向奇异粗糙模糊集合的数学结构及其并、交、补运算和性质.同时证明了单向奇异粗糙模糊集合对并、交、补运算构成完全可无限分配的软代数.     

集值映射下的粗糙集

粗糙集是一种在信息系统中处理粗糙性和颗粒性的数据挖掘工具.本文从集值映射的角度研究并推广粗糙模型,使其能解决在论域和分类信息变化下对集合的近似问题.最后,讨论了集值映射下的粗糙集的性质.     

基于依赖空间的信息系统的属性约简

在粗糙集的信息系统中构造了依赖空间,并给出了基于依赖空间的信息系统的属性约简理论和约简方法,并举例说明其方法的有效性和可行性.     

Topology vs generalized rough sets

This paper investigates the relationship between topology and generalized rough sets induced by binary relations. Some known results regarding the relation based rough sets are reviewed, and some new results are given. Particularly, the relationship between different topologies corresponding to the same rough set model is examined. These generalized rough sets are induced by inverse serial relations, reflexive relations and pre-order relations, respectively. We point that inverse serial relations are weakest relations which can induce topological spaces, and that different relation based generalized rough set models will induce different topological spaces. We proved that two known topologies corresponding to reflexive relation based rough set model given recently are different, and gave a condition under which the both are the same topology.     

Neighborhood rough sets based multi-label classification for automatic image annotation

Automatic image annotation is concerned with the task of assigning one or more semantic concepts to a given image. It is a typical multi-label classification problem. This paper presents a novel multi-label classification framework MLNRS based on neighborhood rough sets for automatic image annotation which considers the uncertainty of the mapping from visual feature space to semantic concepts space. Given a new instances, its neighbors in the training set are firstly identified. After that, based on the concept of upper and lower approximations of neighborhood rough sets, all possible labels of the given instance are found. Then, based on the statistical information gained from the label sets of the neighbors, maximum a posteriori (MAP) principle is utilized to determine the label set for the given instance. Experiments completed for three different image datasets show that MLNRS achieves more promising performance in comparison with to some well-known multi-label learning algorithms.