空间颗粒的子集度量
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
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
在该研究中，我们建立在聚类理论的基础上，提出了一种度量数据集粒度的框架，认为数据集的粒度不仅取决于数据样本和标签，还取决于我们选择的距离函数，我们评估了每种度量标准，并在具有分层标签的数据集上进行了实验。我们发现，细粒度数据集更难学习，更难迁移，更难进行小样本学习，更容易受到对抗攻击。
Dec, 2019
介绍了一种新的概念：确定自身的存在性颗粒，通过代数、拓扑和整全的角度进行了刻画。这些存在性颗粒在初始阶段决定自身，并与其环境发生交互作用。它们适用于多种理论框架的颗粒计算，并用于算法开发、分类问题应用以及可能的数学基础的推广方法。同时提出了许多开放性问题和研究方向。
Aug, 2023
本文提出四种基于模糊覆盖重叠函数和蕴含逻辑的模糊邻域算子，并探讨了有限模糊覆盖下一些邻域算子之间的关系。同时，还基于不同的模糊逻辑算子提出了两种基于邻域算子的粗糙集模型，并提出了一种新的模糊 TOPSIS 方法来解决生物合成纳米材料的选择问题。
May, 2022
本文基于交叉和分组函数，首次给出了 $(O,G)$- 粒度变量精度模糊粗糙集的描述，提出了一种利用模糊蕴含和联合的上下逼近算子表达式，并从构建方法的角度，用不同的模糊关系表示粒度变量精度模糊粗糙集。最后，在一些额外条件下，将粒度变量精度模糊粗糙集的结论扩展到 $(O,G)$- 粒度变量精度模糊粗糙集。
May, 2022
本文提出了基于粒球计算的粒球粗糙集模型，该模型可以同时处理 Pawlak 粗糙集和邻域粗糙集所能处理的数据类型，并且可以使用等价类表示知识；此外，本文还提出了粒球粗糙集的实现算法，并在基准数据集上验证了其在学习精度和特征选择方面的优越性。
Jan, 2022
提出了一种基于空间优化的粗糙集属性约简算法，通过引入空间相似性的概念，找到具有最高空间相似性的约简，使得约简与决策属性之间的空间相似性更高，从而得到更加简明和广泛的规则，并通过与传统的粗糙集属性约简算法的比较实验证明了基于空间优化的粗糙集属性约简算法的有效性，对许多数据集取得了显著改进。
May, 2024