第一章 粗糙集理论的基本概念与基本理论 1
1.1 粗糙集理论的研究现状 1
1.2 集合论的基本知识 6
1.2.1 集合论概述 6
1.2.2 集合的基本运算 7
1.2.3 等价关系和等价类 7
1.3 粗糙集的基础知识 9
1.3.1 粗糙集的基本概念 9
1.3.2 知识的依赖性与知识约简 13
1.3.3 信息系统与决策表 15
1.3.4 决策表的属性约简 17
1.4 本章小结 18
第二章 灰色系统理论的基本概念与基本理论 19
2.1 灰色系统理论的发展状况 19
2.2 灰色系统理论的基本概念 21
2.2.1 灰色系统理论研究的主要内容 21
2.2.2 灰色系统、模糊数学与黑箱方法 23
2.2.3 灰色系统与不确定问题方法的比较 23
2.2.4 灰数的运算及其白化 24
2.2.5 灰生成 27
2.3 灰色序列生成 27
2.3.1 序列算子 27
2.3.2 级比生成与残差辨识预测模式 31
2.4 灰色关联分析 34
2.4.1 距离空间 35
2.4.2 灰色关联 36
2.5 灰色聚类 43
2.5.1 偏好函数 43
2.5.2 白化函数的形成与计算 43
2.5.3 灰色统计 46
2.5.4 灰色聚类及应用 47
2.6 本章小结 49
第三章 区间灰集的表征及其运算法则 50
3.1 引言 50
3.2 区间灰集灰度的一种公理化定义 52
3.2.1 区间灰集的基本概念 52
3.2.2 区间灰集的运算性质 53
3.3 区间灰集的标准化表示及其性质 60
3.4 本章小结 61
第四章 灰色粗糙集模型及其性质 62
4.1 引言 62
4.2 基于区间灰集的一般粗糙集模型及其性质 63
4.3 基于区间灰集的粗糙集拓展模型及其性质 66
4.4 由可定义集导出的灰色粗糙集 71
4.5 基于上、下近似的灰色粗糙集 74
4.6 本章小结 76
第五章 灰色信息系统的粗糙集拓展模型 78
5.1 引言 78
5.2 灰色信息系统的粗糙集拓展模型 78
5.2.1 灰色容差关系 79
5.2.2 非对称灰色相似关系 80
5.2.3 灰色拟序关系 83
5.3 灰色信息系统的属性约简 86
5.3.1 二元关系的前继和后继关系灰元 86
5.3.2 属性约简 87
5.3.3 属性约简算法 88
5.4 实例 88
5.5 本章小结 91
第六章 基于（α，β）-灰相似关系的粗糙集模型 93
6.1 引言 93
6.2 灰色信息系统 93
6.2.1 灰色信息系统与灰色决策表 93
6.2.2 依相似度阈值的灰相似关系 95
6.3 基于（α，β）-灰相似关系的粗糙集模型 98
6.4 实例分析 102
6.5 本章小结 106
第七章 基于构造性方法的灰色粗糙集模型 107
7.1 灰色粗糙集近似算子的构造 107
7.1.1 Ω上概念的U-近似 107
7.1.2 Ωf？上概念的Ωf？-近似 112
7.2 灰色粗糙集模型在数据挖掘中的应用 113
7.2.1 灰色区间关联聚类与粗糙近似组合决策方法 113
7.2.2 实例分析 116
7.3 本章小结 118
第八章 基于灰色信息系统的优势关系及其属性约简方法 120
8.1 引言 120
8.2 基于区间灰色集的优势关系 120
8.3 基于灰色信息系统的优势关系的属性约简方法 123
8.4 基于粗糙集的排序方法 125
8.5 本章小结 127
第九章 一种基于连续属性值的灰色决策表的属性约简方法 129
9.1 引言 129
9.2 灰色决策表的白化 129
9.2.1 灰色决策表 129
9.2.2 灰色决策表中连续型属性值的离散化 130
9.2.3 灰色决策表中连续型属性值的白化 131
9.3 决策表的属性约简 133
9.4 本章小结 135
第十章 一种基于灰色区间的BP神经网络算法 136
10.1 引言 136
10.2 BP神经网络 137
10.2.1 BP神经网络介绍 137
10.2.2 BP神经网络的学习 137
10.2.3 BP灰色系统知识的介绍 138
10.3 GBP算法的实现 138
10.3.1 反转调整输入 138
10.3.2 缩小输入灰度 139
10.4 GBP算法可行性分析 140
10.5 实例与分析 141
10.5.1 隐含层神经元的确定 141
10.5.2 实验分析 142
10.6 本章小结 144
参考文献 145