乐观多粒度区间集粗糙集

Pawlak粗糙集基于单个粒空间(一个等价关系)建立了上、下近似来刻画目标概念,而乐观多粒度粗糙集则利用多个粒空间(一族等价关系)对目标概念进行近似描述,是Pawlak粗糙集的一种扩展.区间集通过上、下界给出了概念的外延范围.在区间集粗糙集的基础上,提出了乐观多粒度区间集粗糙集,研究了它们的性质,并进一步给出了单个和多个粒空间下几种区间集粗糙集和乐观多粒度区间集粗糙集之间的关系.

基于相对知识粒度的区间集决策信息表不确定性度量

区间集决策信息表拓展了经典决策信息表,其粒化结构的不确定性刻画成为重要应用基础。基于区间邻域粒化引入相对知识粒度,进而提出区间集决策信息表的一种新型不确定性度量。利用两对象之间的距离及半径来建立区间邻域粒化系统,证明距离粒化与相似度刻画的条件等价性,获得区间近似粗糙度;把经典相对知识粒度推广为区间相对知识粒度,将其与区间近似粗糙度进行信息融合,提出一种新型不确定性度量并得到了粒化单调性等性质。最后进行了实例验证,结果表明所提度量能够有效表征粒化结构变化所引起的不确定性变化。

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。

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。