L─fuzzy SRN─聚点

在L－fuzzy拓扑空间中引入了SRN－聚点及导集的概念，系统地研究了SRN－导集的性质。     

集值拟增算子的新不动点定理

该文引进伪下可分概念，借助孙经先先生的论文“非线性泛函分析序集一般原理的推广”中的方法，得出集值拟增算子的新不动点定理。     

不精确概念的表示理论(Ⅱ)知识的简化与相依性

本文继续了文[1]研究工作，首先考虑了抽象知识库的简化和核。简化是库中为表达某些概念必要的部分而核是不可省略的部分。其次研究了知识之间的导出关系即相互依赖性。最后讨论了知识库表示的另一种形式属性值表。     

TH型区间值模糊正规子群

本文在区间值模糊集空间上，引入了幂等区间范数ＴＨ，在此基础上，定义了ＴＨ型区间值模糊正规子群，并研究了它的一些性质和结构特征，从而拓广了区间值模糊集的理论。     

粗糙集理论的扩展模型研究

在传统的粗糙集模型和相容粗糙集模型基础上，通过松弛对象之间的不可分辨和相容性条件，给出了一种新的基于和谐关系的粗糙集模型．在新的模型中，α-和谐关系在论域里导出一个嵌套的等价关系序列．分析了α在不同的取值区间时，和谐关系的粗糙性与信息熵间的关系．给出一个具体的实例对新的模型加以解释说明．     

基于粗糙集的风湿性二尖瓣狭窄疾病诊断

在疾病诊断的专家系统中，知识库的建立是一直困扰系统建立的瓶颈问题．知识库的好坏不仅影响到后续推理过程，而且还对诊断的精度有着很大的影响。文章在粗糙集理论基础上，以风湿性二尖瓣狭窄知识库为例，使用基于粗糙集理论的规则提取技术，对病例资料数据库进行数据分析，与临床表现之间建立合理的推理关系，并结合医生的临床实践，最终形成一个比较完备的诊断知识库，为实际的推理、解释程序打下良好的基础。     

一种基于粗糙集的朴素贝叶斯分类算法

朴素贝叶斯分类器的计算过程只有在完全数据库中才成立,而基于相似关系的粗糙集模型具有处理空值的功能,并且提供了属性离散化和约简技术,可以改善属性间的依赖关系。因此,将两种不同的软计算方法相结合,利用粗糙集合理论先把决策表补齐,再对数据进行约简,然后结合朴素贝叶斯分类器,得出分类结果。实验证明这种方法不仅简化了数据和模型的规模,也具有对不完全数据的分类能力。     

LF拓扑空间的S-连通性

给出了LF拓扑空间中的S—连通性的概念，证明了（L^X，δ）不是S—连通空间的二个等价条件；讨论了S—连通集的性质；论证了S—连通性的半同胚性质及S—连通分支的概念和性质。     

A Project Risk Ranking Approach Based on Set Pair Analysis

Set Pair Analysis （SPA） is a new methodology to describe and process system uncertainty. It is different from stochastic or fuzzy methods in reasoning and operation, and it has been applied in many areas recently. In this paper, the application of SPA in risk ranking is presented, which includes review of risk ranking, introduction of Connecting Degree （CD） that is a key role in SPA., Arithmetic and Tendency Grade （TG） of CDs, and a risk ranking approach proposed. Finally a case analysis is presented to illustrate the reasonability of this approach. It is found that this approach is very convenient to operate, while the ranking result is more comprehensible.     

基于粗糙集理论的知识库分解与规则获取

粗糙集理论可以通过对数据的约简从例子中学习,获取决策规则。但是,当知识库规模较大、条件属性个数较多时,存在提取规则速度慢、规则长度长等缺点。本文介绍了粗糙集理论的基本概念,提出了一种基于粗糙集的知识库分解算法。首先引入决策属性支持度的概念,在此基础上定义了一个属性选择量度,选择最佳目标属性对知识库进行分解,直到所有对象都被精确分类,从而得到具有一定支持度的规则集,得到的规则长度短,提取速度快。通过对一个简单实例的分析,证明了该算法的可行性。