BCH-代数中的几类理想与BCI-代数

在BCH-代数中引入结合理想、p-半单理想、拟结合理想等概念，并证明了一个BCH-代数，如果它的零理想是结合理想(或p-理想)，则它一定是结合(或p-半单)BCI-代数．但拟结合的BCH-代数未必是BCI-代数．     

Q-代数中具有界限的模糊子代数

引入了Q-代数中具有界限的模糊子代数的概念,获得了它的一些相关性质,给出了具有界限的模糊子代数与（∈,∈Vq）-模糊子代数的关系．在Q-代数中,引入了t一蕴含的模糊子代数的概念,讨论了具有界限的模糊子代数与分别基于Gaines—Rescher蕴涵算子、Godel蕴涵算子和Godel蕴涵算子的换质算子的0．5-蕴含的模糊子代数之关系．     

BCI-代数Ω-模糊H-理想

引入了BCI-代数的Ω-模糊H-理想的概念,研究了它们的一些相关性质;讨论了模糊H-理想与Ω-模糊H-理想之间的相互构造,研究了Ω-模糊H-理想的同态象与同态原象的性质,给出了Ω-模糊H-理想的笛卡儿积之性质。     

模糊BCH-代数与Ω-模糊BCH-代数

引入了BCH-代数的模糊子代数与-模糊子代数的概念,给出了它们的恰当例子.利用模糊子代数描述了-模糊子代数.反之,利用-模糊子代数构造了模糊子代数.讨论了模糊子代数(Ω-模糊子代数)的同态象与同态原象能成为-模糊子代数(模糊子代数).最后,提出了Ω-模糊理想的概念,并研究了它的一些相关性质.     

局部有限的BCI-代数

本文引入了局部有限的BCI-代数和局部有限的BCK-代数,并对其性质进行了一些研究同时给出了局部有限的BCI-(BCK-)代数上的正则实函数群。     

BCI-代数的模糊-理想的特性(英文)

运用模糊点的概念研究了BCI-代数的子代数、模糊α-理想等一些基本概念和性质,建立了它与利用隶属函数和水平截集常见刻画方式之间的关系.     

模糊粗糙集代数

定义了模糊粗糙集合理的补运算,从而利用公理化方法构造出推广了的粗糙集代数.在此基础上定义了模糊粗糙集代数,并讨论了模糊粗糙集代数的简单性质.     

广群与BCI-代数

利用BCI-代数的某些特性,讨论具有里外律、对合律的广群．作为应用,对哪一代数、结合BCI-代数、偏序交换剩余独异点、Hilbert代数,各给出了一组等价公理系。     

BCK-代数中的星形子代数

对BCK-代数X中的星形子代数进行了讨论，给出了星形子代数构成某些特殊子结构的刻划，并讨论了乘积BCK-代数星部分的若干性质．     

可解BCI-代数(Ⅰ)(英文)

本文引进了BCI-代数的换位理想和可解BCI-代数等概念,并用换位理想刻划了p-半单BCI-代数和结合BCI-代数。进而解决了可解BCI-代数的构造问题。     

模糊粗糙集的扩张定理

扩张原理是模糊集合论的主要工具之一,通过模糊粗糙集的扩张原理,完善了它的一些性质,讨论了它的扩张定理,并且推广到复合映射的扩张原理．     

Rough Fuzzy集及其相似度量

近年来，人们提出许多刻划不确定性的方法，Rough集理论是描述Fuzzy性和不确定性的一种新的数学工具．文中简要介绍了Rough集理论的基本概念，讨论了Rough集的性质及其Rough Fuzzy集的相似度量。     

单向S-粗模糊集

结合模糊集理论和单向S-粗集理论,基于动态系统提出了单向S-粗模糊集的概念、结构及其性质,对此进行了讨论并给出应用实例。     

模糊变异粗集与[α/R]知识

从问题的内、外两方面出发，结合模糊集理论与变异粗糙集理论提出了模糊变异粗集模型，并对模糊变异粗集和模糊变异知识进行了讨论，给出了模糊变异知识及其相关定理。     

几个推广的粗糙集概念之间的关系

在Nanda和Majumdar提出的模糊粗糙集和粗糙模糊集，及Atanassov提出的直觉模糊集的意义下，综合讨论了这几个推广的粗糙集概念的格性质及它们之间的相互关系．     

若干 Rough 函数及其性质

简要介绍Rough函数的基本概念,给出并证明它们的性质,即定理1,2,3．     

环中关于理想同余的粗糙模糊集的性质

文章讨论了环中由理想同余关系所决定的关于粗糙模糊集的下、上近似的一些特殊性质, 得到了与模糊集平行的结果．     

关于粗糙集的若干注记(Ⅰ)--粗糙集与Stone代数

粗糙集理论是处理和表示不准确信息的极为有效的数学工具 ,也是对其他处理不完备信息的理论和方法 (如 ,可能性理论 ,证据理论 ,模糊集理论等 )的补充 .研究了粗糙集理论与Stone代数的关系 ,并给出与粗糙集和条件事件密切相关的Stone代数的同构定理 .     

带隶属度及权重的粗糙集模型的构建

提出了带隶属度及权重的粗糙集模型。在这种模型中,给出带隶属度及权重的信息系统,进行噪音的处理。这种粗糙集的拓广模型克服经典粗糙集分类过于严格、对噪音过于敏感、某些隐藏在边界中的规则丢失等缺陷,并用算例验证了该模型是可行的。