广义单向S-粗集和它的一般结构

基于单向S-粗集和一般二元关系R,本文给出广义单向S-粗集,对广义单向S-粗集的一般结构进行了描述,对广义单向S-粗集的有关性质进行了讨论.广义单向S-粗集为研究一般系统动态的近似特性提供了新的途径和方法.     

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α（0≤α〈0．5）,给出了变精度广义s-粗集模型及其有关性质定理．通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系．     

基于粗集理论的决策分析

管理信息系统建设的重要目标之一是利用系统运行所积累的数据辅助用户进行决策分析 ,因此从数据中挖掘隐含的知识是建立决策系统的基础。粗集理论是知识发现的基础理论之一 ,是目前在知识发现领域研究最活跃的技术之一。文章从粗集的基本体系出发以优化疾病治疗方案为例 ,探讨其在决策分析中的应用     

广义粗集公理化的一个注记

广义粗集理论是基于等价关系的粗集理论的各种拓广。本文讨论了基于一般二元关系的广义粗糙集的公理化,通过实例分析了确定二元关系的必要公理组条件,并给出了各公理组的充分条件。     

利用粗集上近似处理特征提取中的噪声问题

该文针对特征提取中存在的噪声污染问题 ,分析了采用粗集上近似进行特征提取可以处理含有噪声数据的原因 ;证明了上近似质量随着条件属性的压缩而降低 ,提出了一种基于集合上近似的质量来进行特征提取的算法 ,该算法以集合上近似质量为迭代准则 ,通过设置一阈值来求取θ -约简 ,得到所要提取的特征     

粗集近似精度及其粒度特征

Pawlak近似精度是衡量粗集近似程度的重要指数[1],针对Pawlak近似精度没有考虑近似空间的颗粒结构,在此利用粒度的概念定义了具有颗粒结构的近似精度,讨论了该近似精度的粒度特征.     

关于广义近似集的注记

本文讨论了逆串行关系下上近似集和下近似集的关系；进一步讨论子集关于子基的内部和闭包的性质，得到了一些有趣的结果．     

粗集理论及其应用（四）粗集理论和模糊集合

首先将粗集与模糊集合进行简单对比，并介绍利用粗集的概念考虑模糊集合的粗近似，定义粗模糊集合，利用模糊划分的相似性关系研究集合的近似问题，定义模糊粗集，并介绍粗模糊集合和模糊粗集的基本特性等，最后讨论知识近似模型的统一。     

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.     

广义粗糙集理论的公理化注记

首先回顾了粗糙集理论的代数表示,给出代数表示与公理化算子的相互关系.特别地,给出了广义粗糙集模型的公理化等价表示.     

基于二进制的粗糙集基本运算研究

通过讨论二进制与粗糙集之间的内在联系,提出基于二进制的粗糙集运算理论,并借助二进制的位运算操作,给出粗糙集的上近似集和下近似集、等价类的交、集合的基数的运算算法.该算法比传统的粗糙集运算算法的运算速度更快,效率更高.该算法为扩展粗糙集的应用提供了理论基础.     

广义粗糙模糊子群

定义了群中模糊集合基于模糊不变子群的整体近似,并研究了近似算子的性质,讨论了近似算子对于模糊子群的交、并运算的性质;提出了上(下)广义粗糙模糊子群的概念,分析并证明了模糊不变子群成为上(下)广义粗糙模糊子群的条件.     

粗糙度不等式

针对文献[2]中提出的粗糙度不等式及其使等号成立的充分条件,给出了使等号成立且更一般的充分条件,并以两种不同的形式给出,证明两者彼此等价,最后,给出一个新的粗糙度定义,并证明在这种定义下,下近似具有与上近似一样的不等式及其充分条件     

点态化的模糊粗糙集

给出了Pawlak近似空间和模糊近似空间上点态化的模糊粗糙集的定义,并讨论了它们的一些性质.     

粗糙模糊集的一种新的构造方法

通过表现定理从新的角度建立了模糊粗糙集的近似算子，并指出可以用类似的方式建立模糊粗糙集的近似算子．     

两种类型的粗糙度不等式

讨论了粗糙近似算子的性质.基于粗糙集理论,给出了经典集在Pawlak近似空间下的粗糙度不等式取等号的两个等价的充分条件;同时给出了模糊集在Pawlak近似空间下粗糙度不等式取等号的充分条件以及粗糙模糊集水平截集的一些性质.     

基于粗糙集理论的自适应图像内插

利用粗糙集中的不可分辨理论提出了一种基于粗糙集理论和旋转掩模(rotating mask)相结合的自适应图像内插算法.首先利用图像的连续性,提出了用粗糙集中的上近似集(upper approximation)和下近似集(lower approximation)来确定与缺损点具有不可分辨关系的样本点,然后利用这些同类样本点对缺损点进行自适应的内插.实验结果表明,利用该算法内插的图像质量无论客观评价标准还是主观评价标准均好于传统的图像内插法,该算法是粗糙集理论与图像信息处理相结合的有益尝试.     

双论域上的决策粗糙集模型及其刻画

在决策粗糙集的基础上,对论域进行了拓展,构造了双论域上的决策粗糙集模型.依据条件概率构造了双论域上决策粗糙集的上、下近似集,并得到相应的正域、负域和边界域的定义;讨论了双论域上决策粗糙集模型的一些基本性质;通过实例给出了双论域上决策粗糙集模型在医疗诊断系统中的应用.