Interval-Valued Intuitionistic Fuzzy-Rough Sets

This paper combines interval-valued intuitionistic fuzzy sets and rough sets.It studies rougheness in interval-valued intuitionistic fuzzy sets and proposes one kind of interval-valued intuitionistic fuzzy-rough sets models under the equivalence relation in crisp sets.That extends the classical rough set defined by Pawlak.

Knowledge modeling based on interval-valued fuzzy rough set and similarity inference: prediction of welding distortion

Knowledge-based modeling is a trend in complex system modeling technology. To extract the process knowledge from an information system, an approach of knowledge modeling based on interval-valued fuzzy rough set is presented in this paper, in which attribute reduction is a key to obtain the simplified knowledge model. Through defining dependency and inclusion functions, algorithms for attribute reduction and rule extraction are obtained. The approximation inference plays an important role in the development of the fuzzy system. To improve the inference mechanism, we provide a method of similaritybased inference in an interval-valued fuzzy environment. Combining the conventional compositional rule of inference with similarity based approximate reasoning, an inference result is deduced via rule translation, similarity matching, relation modification, and projection operation. This approach is applied to the problem of predicting welding distortion in marine structures, and the experimental results validate the effectiveness of the proposed methods of knowledge modeling and similarity-based inference.

代价敏感的多粒度邻域粗糙模糊集的近似表示

多粒度邻域粗糙集是邻域粗糙集理论的一种新型数据处理模式,其目标概念分别由乐观和悲观的上、下近似边界描述。但当前的多粒度邻域粗糙集既缺乏利用已有的信息粒近似描述目标概念的方法,又无法处理目标概念为模糊的情形。而张清华教授提出的粗糙集近似理论提供了一种利用已有信息粒近似描述知识的方法,为构建多粒度邻域粗糙模糊集的近似精确集提供了新思路。文中首先针对模糊目标概念,将粗糙集近似理论应用到邻域粗糙集领域,提出了代价敏感的邻域粗糙模糊集的近似表示模型;然后进一步从多粒度视角,构建出一种代价敏感的邻域粗糙模糊集的多粒度近似表示模型,并分析了其相关性质;最后,通过实验仿真,验证了当多粒度代价敏感近似及其上、下近似方法分别去近似刻画模糊目标概念时,多粒度代价敏感近似方法产生的误分类代价最小。

基于区间二型模糊多粒度证据融合方法的钢铁行业耗能决策

为了探索区间二型模糊背景下的多属性群决策方法,以多粒度概率粗糙集为基础,结合MULTIMOORA(Multi-Objective Optimization by Ratio Analysis Plus the Full Multi-Plicative Form)与证据融合理论,发展了一种基于区间二型模糊信息的多粒度证据融合决策模型.首先,提出多粒度区间二型模糊概率粗糙集模型;然后,通过离差最大化法和熵权法计算决策者权重和属性权重,依据多粒度概率粗糙集和MULTIMOORA法建立区间二型模糊多属性群决策模型,通过源自D-S证据理论的证据融合方法融合得出决策结果.通过钢铁行业耗能的实例,证明提出方法的可行性与有效性,总体上,提出的决策模型具备一定的容错力,有助于获得强解释力的稳健型决策结果.

一种新的不完备多粒度粗糙集

首先将悲观多粒度的概念引入不完备粗糙集,给出了容差关系下不完备悲观多粒度粗糙集模型.其次,针对缺席型未知属性值,将非对称相似关系引入多粒度空间,提出了一种新的不完备多粒度粗糙集模型.该模型包括非对称相似关系下的乐观多粒度和悲观多粒度这一对不完备多粒度粗糙集模型.随后分析了这对新模型的具体性质,并将其与基于容差关系的不完备多粒度粗糙集进行了对比分析,发现使用基于非对称相似关系的不完备多粒度粗糙集,可以获得更高的近似精度.

基于一般二元关系的多粒度粗糙集模型

多粒度粗糙集模型是经典粗糙集模型的一种重要扩展形式。它使用了一族等价关系而非一个等价关系来进行目标概念的近似逼近。在多粒度粗糙集模型概念中,有乐观和悲观两种形式。本文从一般二元关系的角度出发,对多粒度粗糙集模型进行进一步扩展,分别给出了基于一般二元关系的乐观和悲观多粒度粗糙集模型的概念,并对这两种模型的性质进行了讨论。

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.

基于最小/最大描述的多粒度覆盖粗糙直觉模糊集模型

覆盖粗糙集和直觉模糊集都是处理不确定性问题的基础理论,它们有着很强的互补性,且覆盖粗糙集和直觉模糊集的融合研究是一个新的热点。对多粒度覆盖粗糙集和直觉模糊集的融合进行深入研究。首先将最小描述、最大描述从单一粒度推广到多个粒度,提出了多粒度的最小描述和最大描述,讨论了多粒度的融合;其次,分别给出了基于最小描述和最大描述的模糊覆盖粗糙隶属度、非隶属度的概念,构建了两种新的模型即基于最小描述的多粒度覆盖粗糙直觉模糊集和基于最大描述的多粒度覆盖粗糙直觉模糊集,并讨论了它们的性质,同时举例说明;最后,分析和研究了两种模型的关系。该研究为多粒度覆盖粗糙集和直觉模糊集的融合提供了一种方法。

新型变精度多粒化粗糙集模型

为了解决现有的变精度乐观多粒化粗糙集要求宽松和悲观多粒化粗糙集要求过于严格的不足,该文提出了新型变精度多粒化粗糙集模型,即可协调的变精度多粒度粗糙集模型。该模型通过引入阈值,调节满足变精度约束条件的属性个数,使变精度多粒化粗糙集模型更具灵活性。分析了该新模型的相关性质并将其与经典模型进行了对比分析。通过理论分析,该文提出的新型变精度不仅继承了传统变精度多粒化粗糙集的相关性质,而且在一定环境下可以退化为传统变精度多粒度乐观和悲观粗糙集模型。研究表明,该文提出的模型是传统多粒度模型在应用背景下的有力扩展。

覆盖多粒度梯形模糊数决策理论粗糙集模型

作为经典Pawlak粗糙集模型的推广,基于论域上的等价关系,针对风险决策分类问题,多粒度粗糙集已有研究。其特点是在力争决策的期望损失(亦称决策的条件风险)最小的条件下,比较客观地确定对象分类区域的概率描述临界值,进而进行对象的最佳分类决策。然而,在实际应用中论域上的等价关系很难把握,况且特征状态的风险损失往往带有某种不确定性。凡此,无疑在一定程度上限制了多粒度决策理论粗糙集的应用。对此进行了研究:提出了覆盖多粒度梯形模糊数决策理论粗糙集模型,分别就平均、乐观和悲观的情形进行了讨论和刻划;得到了覆盖多粒度梯形模糊数决策理论粗糙集与已有相关模型之间的关系;结果和算例表明了模型的广泛性。

广义优势多粒度直觉模糊粗糙集的属性约简

证据理论和多粒度粗糙集模型的结合已成为知识挖掘中的热点研究之一,其建立的模型已被应用于不完备、覆盖、模糊等信息系统,但在直觉模糊决策信息系统中还未见相关讨论。首先,在直觉模糊决策信息系统中利用三角模和三角余模定义了3种优势关系,得到了3种优势类,并构造了广义优势关系多粒度直觉模糊粗糙集模型;其次,基于证据理论,讨论了广义多粒度直觉模糊粗糙集的信任结构;然后,通过定义粒度重要性和属性重要性给出了属性约简方法;最后,通过实例说明了该模型在处理直觉模糊决策信息系统时是有效的。

多粒化模糊软粗糙集模型

为了扩大粗糙集理论的应用,特别是在模糊环境中的应用,基于模糊软集和模糊蕴涵算子,主要研究基于软模糊近似空间的乐观多粒化模糊软粗糙集模型。该模型将参数集根据客户的不同要求或目标进行重组,只选择若干相关参数集参与计算上、下近似,这样定义的上、下近似不再由整个属性集决定,而是根据重组后的多个属性集一并生成,从而使结果更加符合实际需求。另外,还定义了乐观多粒化模糊软粗糙集模型的截集并讨论了其相关性质。最后给出了算例。

多粒度决策粗糙集模型研究

多粒度决策粗糙集模型是从多角度和多层次进行问题求解的有效方法.乐观多粒度决策粗糙集模型主要对上下近似采用"求同存异"策略进行决策,而悲观多粒度决策粗糙集模型主要对上下近似采用"求同排异"策略进行决策.为了适用于更多的多粒度环境,对上下近似采用不同的策略进行决策,提出了乐观-悲观和悲观-乐观的多粒度决策粗糙集模型,探讨了这两种模型的正确性和合理性,剖析了不同多粒度决策粗糙集模型之间的关系,这将为多粒度决策提供了一个新的视角.

基于乐观和悲观策略的犹豫模糊粗糙集方法

已有的犹豫模糊粗糙集并未考虑多源信息处理的需要.为了解决这一问题,文中分别提出乐观多粒度犹豫模糊粗糙集模型和悲观多粒度犹豫模糊粗糙集模型,并详细分析这两种模型的理论性质.最后通过一个多源信息系统的实例对比分析乐观和悲观形式下的近似集.

一类推广的多粒度双量化决策粗糙模糊集

多粒度决策粗糙集作为一种特殊的概率粗糙集模型,其主要运用条件概率来表示相对量化信息,却忽略了等价类与经典集重叠部分的绝对量化信息,而绝对量化信息在程度多粒度粗糙集中被广泛讨论。因此,本文基于逻辑析取和合取算子将多粒度决策粗糙集和程度多粒度粗糙集相结合,同时引入模糊集和标量基数的思想,提出两对推广的多粒度决策粗糙模糊集∨∨-MGDTRFS和∧∧-MGDTRFS.随后,讨论了∨∨-MGDTRFS和∧∧-MGDTRFS的相关性质,并且给出两者之间的联系。

双论域上的犹豫模糊语言多粒度粗糙集及其应用

犹豫模糊语言术语集结合了模糊语言方法与犹豫模糊集的优势,常应用于定性环境下的群决策中.基于犹豫模糊语言关系,提出双论域上的犹豫模糊语言多粒度粗糙集.在该粗糙集中,定义了双论域上的乐观和悲观犹豫模糊语言多粒度粗糙集,并讨论了其相关性质.在此基础上提出以人岗匹配为背景的决策模型,并用算例阐述了所提出模型的有效性.结果表明,该模型不仅可以处理定性环境下的语言信息,而且可以结合不同专家的意见给出最终决策结果,为人岗匹配提供一种新思路.

基于双论域犹豫三角模糊多粒度粗糙集的疾病诊断

在临床决策领域,疾病诊断已成为较为复杂的决策问题之一。医疗专家在疾病诊断过程中不仅需要处理大量的不确定性信息,而且需要综合不同医疗专家的意见来给出最终的诊断结果。为了解决以上疾病诊断中普遍存在的不确定性数据分析以及群决策的问题,通过结合犹豫三角模糊集和多粒度粗糙集,提出双论域犹豫三角模糊多粒度粗糙集的概念。在此基础上,提出以疾病诊断为背景的决策模型并用算例阐述所提出模型的有效性。

一种多粒度粗糙区间模糊集方法

多粒度是利用粗糙集方法处理分布式数据的一种有效手段。为了使得多粒度方法能够用于模糊目标的近似逼近,提出了一种多粒度粗糙区间模糊集方法,分别包括乐观和悲观两种不同的模型。不仅对这两种多粒度粗糙区间模糊集的基本性质进行了讨论,而且通过实例分析表明了新提出的模型用于处理区间模糊问题的有效性。

基于可调多粒度q-RO模糊概率粗糙集的企业财务质量匹配

在现代企业运行中,财务质量可有效反映企业赢利能力的强弱并对潜在的财务危机进行预警,而合理的财务质量匹配有助于企业管理者选择契合企业发展的合作伙伴,以此来助推企业的健康发展。本文利用q-RO(q-rung orthopair)模糊集表示企业财务质量匹配中的决策数据,结合信息融合过程中的决策风险提出一种可调多粒度q-RO模糊概率粗糙集模型并建立相应的企业财务质量匹配方法,最后结合实际算例验证所提出方法的合理性与有效性。