1、粗糙集(Roughsets)理論是由Pawlak教授于20世紀80年代初提出的一種用于處理不確定性和含糊性知識的數(shù)學工具，其基本思想是在保持分類能力不變的前提下，通過知識約簡，導出概念的分類規(guī)則。它無需提供相關(guān)數(shù)據(jù)集合外的任何先驗信息，適合于發(fā)現(xiàn)數(shù)據(jù)中隱含的、潛在有用的規(guī)律，即知識，找出其內(nèi)部數(shù)據(jù)的關(guān)聯(lián)關(guān)系和特征。近年來，粗糙集理論和應(yīng)用取得了很大的成功，已成為軟計算方法的重要分支，其涉及的領(lǐng)域包括模式識別、機器學習、決策分析和決策支持

2、、知識獲取、知識發(fā)現(xiàn)等。本論文主要研究粗糙集、vague集理論及其在群決策、信息檢索和模糊多準則決策領(lǐng)域的應(yīng)用。主要工作概括如下：1.引入一種新的信息熵，從信息論的角度建立起了相容粗糙集理論中的知識與信息熵的關(guān)系，證明了信息熵是隨著信息粒度的減小而單調(diào)遞減的，在此基礎(chǔ)上提出了相容粗糙集理論中的屬性約簡算法。針對一類廣義模糊數(shù)據(jù)，通過引入一種基于偽距離的近似關(guān)系，提出了模糊粗糙集的屬性約簡方法。另外，在傳統(tǒng)的粗糙集模型和相容粗糙集模型基礎(chǔ)

3、上，通過松弛樣本間不可分辯或相容性條件，建立了一種新的粗糙集模型一基于和諧關(guān)系的粗糙集模型，討論了和諧關(guān)系的粗糙性與信息熵之間的關(guān)系。 2.針對一類具有語言判斷矩陣形式偏好信息的群決策問題，提出了一種基于優(yōu)勢粗糙集的群決策方法。利用一小部分整體偏好信息構(gòu)造成對比較表，根據(jù)優(yōu)勢粗糙集理論提取決策規(guī)則，利用一個評分函數(shù)對整個方案集進行排序和優(yōu)選。用實例驗證了該方法的有效性。 3.研究了基于條件概率粗糙集的信息檢索方法。構(gòu)造了

4、信息檢索模型中特征詞條之間的條件概率關(guān)系和模糊條件概率關(guān)系，在此基礎(chǔ)上分別研究了對于精確的特征詞條空間和精確的文檔及查詢、精確的特征詞條空間和模糊的文檔及查詢、模糊的特征詞條空間和模糊的文檔及查詢這三種情況下的信息檢索方法。對語料庫的部分測試數(shù)據(jù)的仿真實驗證明了方法的有效性。 4.定義了vague集關(guān)于近似空間的粗糙近似運算，討論了它們之間的關(guān)系。在此基礎(chǔ)上，給出了一個vague集的參量化的粗糙性度量，并對它的性質(zhì)作了分析。通過