粗糙集扩展与不确定性模型手册

粗糙集理论通过由不可分辨性或更一般地由数据表中的粒化关系所诱导的下近似集和上近似集来逼近目标概念，从而对不确定性进行建模。这一视角捕捉了由有限观测分辨率引起的模糊性，并支持关于什么可以被确定地认知以及什么仍然只是可能的理论集合推理。本书作为一幅模型图谱编写。它并未深入开发单一算法流水线，而是对主要的粗糙集范式及其扩展路径提供了系统性综述。更具体地说，代表性变体根据 底层粒化机制（如基于等价、基于容差、基于覆盖、基于邻域和概率近似）以及 附加于数据和关系的不确定性语义（如清晰、模糊、直觉模糊、中智和 plithogenic 设定）进行组织。本书还解释了每种选择如何改变近似的形式和边界区域的解释。在全书中，使用小型说明性示例来阐明分类和决策支持中的建模意图与典型用例。最后，应注意到对范围的一个重要澄清。由于本书的主要目的是提供一幅模型图谱，摘要和引言不应引导读者期望特征约简和规则归纳是主要目标。尽管这些主题在粗糙集文献中处于核心地位，但在此处主要被视为激励性应用以及进入更广阔研究图景的切入点。本书的主要目标是以系统和连贯的方式综述和定位粗糙集模型及其扩展。