粗糙集理论是一个可以通过提供概念下限和上限的近似来处理不一致数据的著名数学框架。本研究关注于模糊量词型模糊粗集的领域，并发现了广义 FQFRS 模型的粒状表示，强调了这些模型在解决数据不一致性和管理噪音方面的潜力。

Dec, 2023

本文系统介绍了球状颗粒计算模型，分析了目前该模型面临的主要问题，并讨论了球状颗粒计算的主要适用场景，为未来研究者提供参考和建议。

Apr, 2023

该论文介绍了粒计算中的模糊集可以通过粒状表示集合来逼近，提出了不相交和相邻的粒子的定义，并研究了新定义对粒状逼近的影响，针对二元分类问题，利用新概念分离决策区域但尽可能覆盖属性空间；对于多类分类问题，定义了多类粒状逼近，并演示了如何高效计算 Łukasiewicz 模糊联结的多类粒状逼近。

Feb, 2022

本文提出了向上粗糙集以及其在不同颗粒方向上的扩展，并探讨了其代数语义、近似算子及在分布式认知、虚拟教学等领域的应用。

Aug, 2022

引入粒球计算到模糊集中，提出了一种称为粒球模糊集的框架，它比传统的模糊方法更高效、更稳健、更具扩展性，可以用于各种模糊数据处理领域，扩展到分类器支持向量机（FSVM）中以得到粒球模糊支持向量机（GBFSVM），实验证明了 GBFSVM 的有效性和效率。

Oct, 2022

本文首创了一个采用多粒度过滤标签噪声样本的颗粒球神经网络算法模型，解决了深度学习领域中标签噪声导致模型不稳定的问题，大大降低了训练样本中标签噪声的比例，提高了神经网络模型的鲁棒性。

Jul, 2022

本文从理论上对有理逼近、粒度等级粗糙集与变精度粗糙集的关系进行研究，提出了一个有理逼近的框架，并给出了若干应用实例。

May, 2022

提出了一种新的聚类方法，名为自适应基于颗粒 - 球分化的聚类方法，能够高效识别形状未知、复杂的聚类，同时提供了一种有效的自适应方法来描述世界，并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。

May, 2022

本文介绍了空间颗粒、粗细关系、Meet、Join、商 Meet 和商 Join 等基本概念，并探讨了条件性粗糙集的度量和熵。

Sep, 2023

此篇论文提出了一种基于粗糙集的数据挖掘方法，实现了特征选择、分类和知识表示，通过相对重要性提出了粗糙集的效率和准确性，为知识表示和分类提出了粗糙概念树。实验结果表明，该框架比七种流行的或最新的特征选择方法具有更高的准确性。

Dec, 2021