粗糙图与它的结构

将粗糙集理论和传统图论相结合，给出基于粗糙集思想的传统图的等价定义及粗糙图的定义，并进一步给出了粗糙图的矩阵表示及粗糙图的粗糙性分析．粗糙图推广了传统的图论结果，是可用于不确定性问题研究的图，它是分析系统粗特征的有效新工具．     

一种基于粗集的证据理论组合算法

Dempster合成规则为证据理论提供了一个有用的合成公式,但该公式在合成高度冲突的证据时,合成结果将有悖于常理．将粗集理论中属性重要度的思想引入到证据理论中,以此衡量证据的重要性,改善冲突证据的合成效果．该方法可把专家的主观判断和过去可用的知识与数据综合考虑,使群体决策得到更符合实际的结论．     

基于Kriging代理模型的造斜率预测方法研究

造斜率受导向工具结构、类型、钻井参数、井眼轨迹、地层和钻头等因素的影响,构成了一个多变量影响的非线性耦合体系。造斜率预测呈现一定的模糊性、随机性和非线性特点,难以用显性的定量关系式来精确刻画造斜率与其影响因素之间的函数关系。从回归分析预测法的角度,提出一种采用Kriging代理模型构建预测功能函数,进行造斜率预测的新方法。该方法基于空间插值理论,以造斜率预测值为输出目标。首先选取造斜率主要影响因素作为输入参数,确定训练样本和测试样本;然后,计算Kriging模型中的最优超参数,并构建该预测模型。最后,以测试样本为基准,计算模型预测性能指标,完成对Kriging代理模型的造斜率预测性能评价。通过现场案例研究表明,与常见的多元回归模型和径向基函数模型(radial basis function,RBF)相比,基于Kriging代理模型的造斜率预测方法在均方根误差(root-mean-square error,RMSE)、最大绝对误差(maximum absolute error,MAE)和平均绝对误差(average absolute error,AAE)3个常见的定量指标上表现了更佳的预测性能。预测结果更稳健,计算量更小,对造斜率的预测精度较高,能克服几何法预测精度不高或力学法计算量大等缺点。在工程应用中能节约计算成本和提高预测效率,便于推广应用。     

S-粗决策及其F-干扰生成

针对动态决策系统具有的干扰特性和决策的不确定性,利用双向S-粗集提出了F-干扰粗决策与F-干扰粗决策规律的概念,并对F-干扰粗决策生成与F-干扰粗决策规律生成的特性进行了讨论,给出了F-干扰粗决策规律不可分辨定理与识别准则和应用.通过讨论和应用,说明利用F-干扰粗决策规律有助于在动态决策系统中分辨-识别出异常干扰,修正系统做出的决策,保证决策的安全.     

从计算机的发明看中、西文字结构差异对人思维的影响

通过对计算机发明史的考察，从计算机发明过程中折射出的化现象，编码数字化思想，计算模型的思想，中、西字结构的差异，对人思维方式、结构产生的影响进行比较，从而提出了加强符号化思维为特征的课程教学，重视符号化方面能力培养与信息化进程中的对策。     

副集的随机特征

利用S-粗集理论和元素迁移的随机性,提出元素迁移的信度及信度函数的概念,提出随机副集的概念,给出了随机副集的(α,β)-随机生成,(α,β)-强随机生成;讨论了随机副集的生成特性．     

普通话等级测试软件的系统设计

对普通话等级测试FVQ(Fuzzy Clustering Vector Quantization)模型进行了具体的细化，完成了对系统的算法分析、模块划分和流程设计；在文中提出了语系覆盖的概念，并在此概念的指导下，对标准字词库的创建进行了较深入的探讨；同时也对各个模块的技术实现途径及关键的技术参数设定都进行了讨论，提出了系统开发中必须注意的问题，为系统的实施提供了理论保证和技术指导。     

分辨矩阵与知识粒度的应用

粗集理论是一种新的软计算方法，可以有效地分析和处理不完备信息，本文介绍了知识的粒度和属性的重要度等概念，得到了Skowron的分辨矩阵若干定理．利用这些结果，提出计算知识粒度和属性重要度的新方法，给出这些方法的应用，应用例子表明本文提出的方法的有效性．     

知识过滤和它的依赖推理发现

知识具有颗粒，知识具有粒度；颗粒，粒度是知识的两个基本特征；知识的颗粒特征，知识的粒度特征与知识的属性保持着紧密联系，属性的变化引起知识颗粒特征，知识粒度特征的变化．本文将物理学中物质具有颗粒的概念和过渡的概念引入到粗集（rough set）理论与应用的研究中，提出了知识过滤的概念，给出知识过滤的数值度量，知识筛子原理．利用知识过滤的概念，给出知识过滤在依赖推理中的推理结构，依赖推理的数值关系和在知识发现中的应用．知识过滤与依赖推理相互交叉，互补共享，是知识发现研究的一个新方向．     

(F,■)-规律推理与规律挖掘

给出了(F,■)-规律推理以及(F,■)-规律推理的规律挖掘概念,提出了(F,■)-规律推理的规律挖掘定理与(F,■)-规律推理的规律挖掘原理.