●叢書序
前言
第1章 緒論 1
1.1 引言 2
1.1.1 人工智能的起源 3
1.1.2 粒討算的發展現狀 5
1.2 粒計算研究概述 11
1.2.1 粒計算的基本概念 12
1.2.2 粒計算的基本理論模型 18
1.2.3 粒計算的不確定性度量方法 22
1.2.4 粒計算應用研究 23
1.3 總結和展望 28
1.3.1 粒計算理論研究尚存的問題 28
1.3.2 粒計算模型的不確定性度量研究中存在的問題 33
1.4 本書的主要內容和結構安排 35
1.4.1 多粒度計算的研究 35
1.4.2 本書的主要內容和安排 38
參考文獻 39
第2章 粒計算的基本理論 43
2.1 模糊集粒計算理論 44
2.2 粗糙集粒計算理論 47
2.3 商空間粒計算理論 51
2.4 雲模型粒計算理論 54
2.5 其他粒計算理論 58
本章小結 60
參考文獻 61
第3章 多粒度知識空間模型 65
3.1 分層遞階商空間 65
3.1.1 閥值為1的商空間理論 65
3.1.2 任意閥值的商壁間理論 67
3.1.3 模糊等價關繫的分層遞階構建方法 68
3.2 覆蓋近似空間的層次模型 73
3.2.1 知識粒度的基本概念 74
3.2.2 基於最小描述的覆蓋上的知識粒度關繫 76
3.2.3 覆蓋上的知識粒度關繫定義間的聯繫 79
3.3 覆蓋近似壁間與劃分壁間的轉化 80
3.3.1 覆蓋空間的近似劃分空問 81
3.3.2 覆蓋空間與劃分空間之間的關繫 84
本章小結 87
參考文獻 87
第4章 粒計算的不確定性度量方法 89
4.1 模糊集的不確定性度量 90
4.1.1 模糊集的幾種不確定性度量方法 90
4.1.2 Vague集的幾種不確定性度量方法 93
4.2 粗糙集的不確定性度量 99
4.2.1 完備信息繫統的粗糙集模型的不確定性度量 99
4.2.2 不完備信息繫統的粗糙集模型的不確定性度量 102
4.2.3 各種不確定性度量方法之間的對比分析 104
4.3 覆蓋粗糙集的不確定性度量 106
4.3.1 覆蓋粗糙集模型 106
4.3.2 Bonikowski覆蓋粗糙集的不確定性度量 108
4.4 分層遞階商空間的不確定性度量 115
4.4.1 分層遞階商空間的信息煽序列 115
4.4.2 分層遞階商空間同構的判定定理 119
4.4.3 分層遞階商空間、模糊關繫和信息熵序列之間的關繫 120
4.5 其他粒計算模型的不確定性度量 121
4.5.1 模糊粗糙集的不確定性度量 121
4.5.2 粗糙模糊集的不確定性度量 122
4.5.3 雲模型的不確定性度量 126
4.5.4 概念格粒計算模型的不確定性度量 129
本章小結 129
參考文獻 130
第5章 多粒度知識獲取 134
5.1 多粒度認知模型 134
5.1.1 認知過程的粒計算 135
5.1.2 多粒度認知過程 135
5.2 多粒度規則獲取 138
5.2.1 模糊決策信息繫統 139
5.2.2 模糊信息繫統的多粒度規則提取 140
5.2.3 不完備信息繫統的多粒度規則提取 144
5.3 屬性約筒的粒度原理與優選粒知識獲取 151
5.3.1 一致訣策信息繫統及其決策邏輯 151
5.3.2 屬性約筒的多粒度原理 153
5.3.3 多粒度屬性約筒與規則獲取 155
5.3.4 基於優選粒的規則獲取算法 158
5.4 多粒度增量式知識獲取 161
5.4.1 相關基本概念 162
5.4.2 多粒度增量式知識在取方法 164
5.4.3 算法分析 167
5.4.4 實驗對比分析 169
5.5 多粒度形式背景分析 171
5.5.1 形式背景分析 172
5.5.2 屬性細分及其概念格之間的關繫 174
本章小結 180
參考文獻 181
第6章 覆蓋粒計算模型的知識獲取方法 183
6.1 覆蓋粗糙模糊集模型及其應用 183
6.1.1 Wei覆蓋粗糙模糊集模型和Xu覆蓋粗糙模糊集模型 184
6.1.2 Hu覆蓋粗糙模糊集模型 185
6.1.3 三種覆蓋粗糙模糊集間的關繫 189
6.1.4 覆蓋粗糙模糊集模型在模糊決策中的應用 190
6.2 覆蓋近似空間的知識約簡模型及其應用 192
6.2.1 覆蓋近似空間的知識的簡模型 193
6.2.2 基於覆蓋粒計算模型的不完備信息繫統處理方法 199
6.3 覆蓋近似空間的擴展與屬性約簡 204
6.3.1 覆蓋近似空間的擴展 204
6.3.2 覆蓋決策繫統的屬性約簡 207
6.3.3 覆蓋近似空間的擴展空間與屬性約簡 210
本章小結 213
參考文獻 213
第7章 粗糙集的近似集 216
7.1 集合的近似度 217
7.2 粗糙集的近似集 219
7.2.1 粗糙集的近似集的性質 221
7.2.2 R(X)與X的近似性 222
7.2.3 基於R(X)提取規則的實例分析 227
7.3 近似集R(X)隨知識粒度的變化關繫 230
本章小結 233
參考文獻 234
第8章 總結與展望 236
8.1 本書總結 236
8.2 未來工作展望 240

粒計算是人工智能領域中的一種新理念和新方法，它覆蓋了所有有關粒度的理論、方法和技術，是研究復雜問題求解、海量數據挖掘和模糊信息處理等問題的有力工具。從粒計算的觀點看，在認知過程中，人們對問題的分析與求解都具有粒度性，既與認知主體的主觀局限有關，也與觀測工具等很多客觀因素有關。粒計算理論模型中的粒的合成與分解以及問題求解等都具有不確定性，直接影響問題求解的精度與效率。《多粒度知識獲取與不確定性度量》內容主要涉及粒計算研究概述、粒計算基本理論、多粒度知識空間模型、粒計算的不確定性度量、多粒度知識獲取的模型和方法、覆蓋粒計算模型的知識獲取方法、粗糙集的近似集和多粒度計算研究的展望等。