×
皮奥塔;托马斯·斯穆克

粗糙集在大数据分析中的应用：综述。 （英文） Zbl 07490729号

国际期刊申请。数学。计算。科学。 31,4号，659-683（2021）.
摘要：大数据、人工智能和物联网（IoT）仍然是当前研究和工业应用中非常流行的领域。处理物联网生成并存储在分布式空间中的大量数据不是一项简单的任务，可能会导致许多问题。在过去的几十年里，科学家们提出了许多有趣的方法，从数据库系统或其他来源收集的数据中提取信息和发现知识。我们观察到支持数据挖掘过程每个阶段的机器学习算法的永久发展，确保获得比以前更好的结果。粗糙集理论（RST）提供了对信息、知识、数据约简、不确定性和缺失值的正式见解。这种形式主义形成于20世纪80年代，经过几项研究发展而成，可以作为处理歧义性、数据约简、构建本体等问题的理论基础和实践背景，这些丰富了相关工具的表现力和适用性。本文的主要目的是概述RST在大数据分析和处理中的选定应用。已发表了数千篇关于粗糙集的出版物；因此，我们关注的是最近几年发表的论文。RST的应用主要从两个角度考虑：直接使用RST概念和工具，以及与其他方法（即模糊集、概率概念和深度学习）结合使用。后一种混合思想对于开发新方法和相关工具以及应用领域的扩展似乎非常有希望。

引用于1文件

MSC公司：

68泰克 人工智能
62华夏 多元分析
68单位 计算方法和应用

关键词：

粗糙集理论;大数据分析;深度学习;数据挖掘;工具

软件：

群集查找;粗糙集;第4.5条;联合空气流量;转载Zip;罗塞塔;LERS公司;UCI-毫升;威卡
PDF格式BibTeX公司 XML格式引用
\textit{P.Pięta}和\textit{T.Szmuc}，国际期刊应用。数学。计算。科学。31，第4号，659--683（2021；Zbl 07490729）
全文： 内政部

参考文献：

[1] Alhawarat，M.和Hegazi，M.（2018年）。重温k-means和主题建模：对聚类阿拉伯语文档的比较研究，IEEE Access6:42740-42749。
[2] Banerjee，S.和Badr，Y.（2018年）。使用基于粗糙集的蚁群评估移动大数据的决策分析，见G.Mastorakis等人（编辑），《移动大数据》，Springer，Cham，第217-231页。
[3] Bazan，J.（1996）。动态还原和统计推断，《第六届基于知识的系统中信息处理和不确定性管理国际会议论文集》，西班牙格拉纳达，第3卷，第1147-1152页。
[4] Bazan，J.、Dryga si，P.、Zaręba，L.和Molenda，P.（2020年）。构建更有效集成分类器的新方法，IEEE模糊系统国际会议（FUZZ-IEEE），英国格拉斯哥，第1-6页。
[5] Bazan，J.G.（1998年）。从决策表中提取规律的动态和非动态粗糙集方法的比较，知识发现中的粗糙集1:321-365·Zbl 1067.68711号
[6] Bazan，J.G.（2008）。复杂时空概念的层次分类器，见R.H.Peters等人（编辑），《粗糙集学报九》，《计算机科学讲义》，第5390卷，柏林/海德堡斯普林格出版社，第474-750页。
[7] Bazan，J.G.、Szczuka，M.和Wroblewski，J.（2002）。《粗糙集探索系统的新版本》，J.F.Peters等人（编辑），《计算中的粗糙集和当前趋势》，柏林/海德堡斯普林格出版社，第397-404页·Zbl 1013.68643号
[8] Bazan，J.、Peters，J.和Skowron，A.（2005）。通过粗糙集建模进行行为模式识别，第十届国际会议粗糙集、模糊集、数据挖掘和粒度计算，加拿大里贾纳，第688-697页。
[9] Bello，R.和Falcon，R.（2017年）。机器学习中的粗糙集：综述，A.Skowron等人（编辑），《繁荣的粗糙集》，Springer，Cham，第87-118页。
[10] Bhatt，R.B.和Gopal，M.（2006年）。关于函数依赖度从清晰划分到模糊划分的扩展，模式识别字母27（5）：487-491。
[11] Bhatt，R.、Ramanna，S.和Peters，J.F.（2009年）。软件缺陷分类：线性和非线性SVM的粗糙-神经-模糊混合方法的比较研究，载于A.Abraham等人（编辑），《粗糙集理论：数据分析的真正里程碑》，计算智能研究，第174卷，柏林/海德堡斯普林格出版社，第213-231页·Zbl 1171.68659号
[12] Błaszczynski，J.、Greco，S.、Matarazzo，B.、S \322»owiánski，R.和Szeląg，M.（2012）。基于jMAF优势的粗糙集数据分析框架，见A.Skowron和Z.Suraj（编辑），粗糙集和智能系统教授Zdzislaw Pawlak在Memoriam，智能系统参考库，第42卷，施普林格，第185-209页。
[13] Breiman，L.（2001）。随机森林，机器学习45（1）：5-32·Zbl 1007.68152号
[14] Brinckman，A.、Chard，K.、Gaffney，N.、Hategan，M.、Jones，M.B.、Kowalik，K.，Kulasekaran，S.、Ludäscher，B.、Mecum，B.D.、Nabrzyski，J.、Stodden，V.、Taylor，I.J.、Turk，M.J.和Turner，K.（2019年）。再现性计算环境：捕捉整个故事，未来一代计算机系统94:854-867。
[15] Bulger，M.、Taylor，G.和Schroeder，R.（2014）。《参与复杂性：大数据的挑战与机遇》，NEDOE，伦敦。
[16] Cessie，S.和Houwelingen，J.C.（1992年）。逻辑回归中的岭估计，应用统计学41（1）：191-201·Zbl 0825.62593号
[17] Chakraborti，D.B.和Pal，S.K.（2021年）。《粗糙集、深度学习和物联网的粒度视频计算》，新加坡世界科学出版社。
[18] Chao，W.（2018）。《大数据的高性能计算：方法和应用》，波特兰CRC出版社。
[19] Chądynska-Krasowska，A.、Stawicki，S.和'Slęzak，D.（2017）。一个新的近似查询引擎的元数据诊断框架，用于处理粒化数据摘要，见L.Polkowski等人（编辑），《粗糙集》，《计算机科学讲义》，第10313卷，Springer，Cham，第623-643页。
[20] Chen，L.，Li，Z.，Lv，M.和Xiong，M.（2020a）。基于粗糙集支持向量机的经济趋势指数智能预测算法，智能与模糊系统杂志38（1）：147-153。
[21] Chen，X.，Li，D.，Wang，P.和Yang，X.（2020b）。FER的带模糊粗糙集的深度卷积神经网络，IEEE Access8:2772-2779。
[22] Chen，Q.，Huang，M.和Wang，H.（2021）。海岸地区高分辨率遥感图像分类的特征离散化方法，IEEE地球科学与遥感汇刊59（10）：8584-8598。
[23] Chen，Z.（2017）。探索时变大数据的动态颗粒，IEEE第15届可靠、自主和安全计算国际会议，美国奥兰多，第1092-1097页。
[24] Chirigati，F.、Rampin，R.、Shasha，D.和Freire，J.（2016）。ReproZip：《轻松计算再现性》，《2016年国际数据管理会议论文集》，美国纽约，第2085-2088页。
[25] Chowdhury，T.、Chakraborty，S.和Setua，S.K.（2016）。使用基于MapReduce的并行约简算法从大数据中提取知识，第五届国际计算机科学与网络技术会议（ICCSNT），中国长春，第240-246页。
[26] Chu，Z.和Zhang，Y.（2020）。基于粗糙集-bp神经网络的准确财务关联大学生识别模型及其应用，计算机信息与大数据应用国际会议（CIBDA），中国贵阳，第144-150页。
[27] Chen，Y.，Xue，Y.、Ma Y.和Xu，F.（2017）。邻域粗糙集的不确定性度量，基于知识的系统120:226-235。
[28] Cichosz，P.（2015）。数据挖掘算法：使用R，Wiley，Chichester解释·兹比尔1305.62001
[29] Cios，K.（2018）。深度神经网络——简史，载于A.Gawęda等人（编辑），《用计算方法进行数据分析的进展：献给Jacek Zurada教授》，《计算智能研究》，第738卷，查姆斯普林格出版社，第183-200页。
[30] Clark，P.G.和Grzymała-Busse，J.W.（2011）。概率近似实验，2011 IEEE国际粒度计算会议，GrC-2011，台湾高雄，第144-149页。
[31] Clark，P.G.、Grzymała-Busse，J.W.、Hippe，Z.S.、Mroczek，T.和Niemiec，R.（2020）。使用基于广义最大一致块的概率近似从不完整数据中挖掘规则集的复杂性，M.Cristani等人（编辑），《基于知识的智能信息与工程系统》，《Procedia Computer Science》，第176卷，Elsevier，Amsterdam，第1803-1812页。
[32] Clark，P.G.、Grzymała-Busse，J.W.、Mroczek，T.和Niemiec，R.（2019年）。使用全局和饱和概率近似挖掘不完整数据的规则集复杂性，见R.Damasevicius和G.Vasiljeviene（编辑），《信息和软件技术，计算机和信息科学中的通信》，第1078卷，Cham Springer，第451-462页。
[33] Cornelis，C.、Nguyen，H.S.、Pal，S.、Skowron，A.和Wu，W.-Z.（2015）。粗糙集和模糊集序言，基础信息学142（1-4）：5-8·Zbl 1349.00243号
[34] Cornelis，C.、Verbist，N.和Jensen，R.（2010年）。有序加权平均模糊粗糙集，J.Yu等人（编辑），《粗糙集与知识技术》，柏林斯普林格出版社，第78-85页。
[35] Cui，G.和Gao，H.（2019年）。聚类分析中的粗集处理离群值，第四届国际IEEE云计算和大数据分析会议（ICCCBDA），中国成都，第111-115页。
[36] Cui，W.和Huang，L.（2015）。基于信息熵的港口大数据知识约简方法，使用MapReduce，国际物流、信息学和服务科学会议（LISS），西班牙巴塞罗那，第1-6页。
[37] Czolombitko，M.和Stepaniuk，J.（2017）。大数据的可缩放最大可分辨离散化，见L.Polkowski等人（编辑），《粗糙集》，计算机科学讲义，第10313卷，Springer，Cham，第644-654页。
[38] Dagdia，Z.C.、Zarges，C.、Beck，G.、Azzag，H.和Lebbah，M.（2017年）。基于分布式粗糙集理论的算法，用于在Spark框架下进行有效的大数据预处理，IEEE国际大数据会议（大数据），美国波士顿，第911-916页。
[39] Dagdia，Z.C.、Zarges，C.、Beck，G.、Azzag，H.和Lebbah，M.（2018年）。基于局部敏感散列的分布式粗糙集理论算法，用于高效的大数据预处理，IEEE国际大数据会议，美国西雅图，第2597-2606页。
[40] D'eer，L.、Cornelis，C.和Yao，Y.（2016）。Pawlak粗糙集和基于覆盖的粗糙集的语义合理方法，国际近似推理杂志78:62-72·Zbl 1386.68169号
[41] Delen，D.和Demirkan，H.（2013）。数据、信息和分析服务，决策支持系统55（1）：359-363。
[42] Delimata，P.、Moshkov，M.、Skowron，A.和Suraj，Z.（2008年）。基于确定性和抑制性决策规则的惰性分类算法比较，第三届粗糙集与知识技术国际会议，中国成都，第55-62页。
[43] Delimata，P.、Moshkov，M.、Skowron，A.和Suraj，Z.（2009年）。数据分析中的抑制规则：粗糙集方法，Springer，柏林/海德堡·Zbl 1157.68054号
[44] Delimata，P.和Suraj，Z.（2013年）。数据分类和约简中的混合方法，见A.Skowron和Z.Suraj（编辑），粗糙集和智能系统-Zdzisław Pawlak教授，《记忆》，智能系统参考图书馆，第43卷，斯普林格，柏林/海德堡，第263-291页·Zbl 1252.68035号
[45] Deng，Y.，Ren，Z.，Kong，Y..，Bao，F.和Dai，Q.（2017）。用于数据分类的分层融合模糊深度神经网络，IEEE模糊系统事务25（4）：1006-1012。
[46] Dubois，D.和Prade，H.（1990年）。粗糙模糊集与模糊粗糙集，国际通用系统杂志17（2-3）：191-209·Zbl 0715.04006号
[47] Dubois，D.和Prade，H.（1992年）。将粗糙集和模糊集放在一起，见R.Słowiński（编辑），智能决策支持，理论和决策库，第11卷，施普林格，多德雷赫特，第203-232页·Zbl 0755.94026号
[48] El-Bably，M.和Kozae，A.（2014年）。从拓扑观点对粗糙隶属关系和函数的新广义定义，数学进展杂志8（3）：1635-1652。
[49] Ester，M.、Kriegel，H.、Sander，J.和Xu，X.（1996）。用于在有噪声的大型空间数据库中发现簇的基于密度的算法，第二届知识发现和数据挖掘国际会议，美国波特兰，第226-231页。
[50] Ganivada，A.和Pal，S.K.（2011年）。用于分类的新型模糊粗糙颗粒神经网络，国际计算智能系统杂志4（5）：1042-1051。
[51] 加特纳（2001）。大数据、Gartner Glossary、GartnerInc.、斯坦福德，https://www.gartner.com/en/information-technology/glossary/big-data。
[52] 谷歌学者（2021）。粗糙集、搜索、，https://scholar.google.com/scholar？hl=pl&as_sdt=2007&q=allintitle
[53] Gordon，A.D.、Breiman，L.、Friedman，J.H.、Olshen，R.A.和Stone，C.J.（1984）。分类和回归树，生物计量学40（3）：874·Zbl 0541.62042号
[54] Greco，S.、Matarazo，B.、Słowiánski，R.和Stefanowski，J.（2001）。基于优势的粗糙集方法的变量一致性模型，W.Ziarko和Y.Yao（编辑），《粗糙集与计算的当前趋势》，计算机科学讲义，2005年第卷，Springer，柏林/海德堡，第170-181页·Zbl 1014.68544号
[55] Greco，S.、Matarazzo，B.和Słowinski，R.（1999）。优势关系对偏好关系的粗略近似，欧洲国际运筹学117（1）：63-83·Zbl 0998.90044号
[56] Grzegorowski，M.、Janusz，A.、Ślęzak，D.和Szczuka，M.（2017）。关于特征空间粒化在特征选择过程中的作用，IEEE国际大数据会议，美国波士顿，第1806-1815页。
[57] Grzymała-Busse，J.W.（1992）。LERS-基于粗糙集的示例学习系统，见R.Słowiánski（Ed.），智能决策支持，理论和决策库，第11卷，施普林格，多德雷赫特，第3-18页·Zbl 0820.68001号
[58] Grzymała-Busse，J.W.（1997）。新版规则导入系统LERS，基础信息31（1）：27-39·Zbl 0882.68122号
[59] Hamidinekoo，A.、Dagdia，Z.C.、Suhail，Z.和Zwiggelaar，R.（2018）。基于分布式粗糙集的特征选择方法，用于分析乳房X射线照相质量分类的深度和手工特征，IEEE国际大数据会议，美国西雅图，第1卷，第2423-2432页。
[60] Hassan，Y.F.（2017）。使用粗糙集和粗糙神经网络的深度学习架构，Kybernetes46（4）：693-705。
[61] Hirota，K.和Pedrycz，W.（1999年）。数据挖掘中的模糊计算，IEEE87（9）：1575-1600。
[62] Hong Wei，Y.和Xindi，T.（2016）。基于粗糙集和L1正则化的线性回归模型故障诊断，智能交通国际会议，长沙，中国，第490-492页。
[63] Hu，F.和Wang，G.（2008）。基于粗糙集理论和粒度计算的海量数据挖掘，IEEE/WIC/ACM网络智能和智能代理技术国际会议，澳大利亚悉尼，第655-658页。
[64] Hu，Q.，Li，L.和Zhu，P.（2013）。在分类学习中用邻域粗糙集探索邻域结构，见A.Skowron和Z.Suraj（编辑），粗糙集和智能系统教授Zdzisław Pawlak在Memo-riam，Springer，Berlin/Heidelberg，pp.277-307·Zbl 1308.68096号
[65] Hu，Q.，Zhang，L.，Zhou，Y.和Pedrycz，W.（2017a）。基于多核模糊粗糙集的大规模多模态属性约简，IEEE模糊系统事务26（1）：226-238。
[66] Hu，Q.，Zhang，L.，Zhou，Y.和Pedrycz，W.（2018）。用多核模糊粗糙集进行大规模多模态属性约简，IEEE模糊系统汇刊26（1）：226-238。
[67] Hu，J.，Li，T.，Luo，C.和Li，S.（2017b）。两个宇宙上的增量模糊概率粗糙集，国际近似推理杂志81:28-48·Zbl 1401.68321号
[68] 黄，Q.，李，T.，黄，Y.，杨，X.和Fujita，H.（2020）。处理复合有序数据的动态优势粗糙集方法，基于知识的系统187:104829。
[69] Huang，Y.、Li，T.、Luo，C.、Fujita，H.和jinn Hong，S.（2017）。概率集值信息系统的动态变精度粗糙集方法，基于知识的系统122（5）：131-147。
[70] Ilczuk，G.和Wakulicz-Deja，A.（2005年）。医学诊断系统的粗糙集方法，见P.S.Szczepaniak等人（编辑），《网络智能进展》，《计算机科学讲义》，第3528卷，柏林/海德堡施普林格出版社，第204-210页。
[71] Inuiguchi，M.（2013）。已知集合及其在低维空间中的操作的粗糙表示，载于A.Skowron和Z.Suraj（编辑），《粗糙集与智能系统——Zdzisław Pawlak教授在Memoriam中的研究》，柏林/海德堡，施普林格，第309-331页·Zbl 1308.68114号
[72] Ishizu，S.、Gehrmann，A.和Nagaw，Y.Y.（2007年）。粗糙本体：通过粗糙集扩展本体，G.Smith和M.J.Salvendy（编辑），《人机界面和信息管理：信息设计中的方法、技术和工具》，Springer，柏林/海德堡，第456-462页。
[73] Isitor，E.和Stanier，C.（2016）。定义大数据，《大数据和先进无线技术国际会议论文集》，美国纽约，第1-6页。
[74] Islam，M.、Inan，T.、Rafi，S.、Akter，S.，Sarker，I.H.和Islam（2020）。《关于使用人工智能和人工智能对抗新冠肺炎疫情的系统综述》，IEEE人工智能汇刊1（3）：258-270。
[75] Ivanov，T.、Korfaitis，N.、Zicari，R.（2013）。关于大数据架构范式3V的不平等：异质性案例，arXiv abs/1311.0805。
[76] Ivie，P.和Thain，D.（2018年）。科学计算中的再现性，ACM计算调查51（3）：1-36。
[77] Izakian，H.、Pedrycz，W.和Jamal，I.（2015）。使用动态时间扭曲距离对时间序列数据进行模糊聚类，人工智能的工程应用39:235-244。
[78] Jain，A.K.和Dubes，R.C.（1988年）。聚类数据算法，Prentice-Hall，Upper Saddle River·Zbl 0665.62061号
[79] Janusz，A.和Ślęzak，D.（2014）。属性聚类和选择的粗糙集方法，应用人工智能28（3）：220-242。
[80] Jensen，R.（2014）。模糊粗糙数据挖掘与WEKA，Tutorial，http://users.aber.ac.uk/rkj/Weka.pdf。
[81] Jensen，R.和Cornelis，C.（2008年）。模糊粗糙最近邻分类的新方法，见C.C.Chan等人（编辑），《计算中的粗糙集和当前趋势》，计算机科学讲义，第5306卷，柏林/海德堡斯普林格，第310-319页。
[82] Jensen，R.、Cornelis，C.和Shen，Q.（2009）。混合模糊粗糙规则归纳和特征选择，2009年IEEE国际模糊系统会议，韩国济州，第1151-1156页。
[83] Jian，Z.、Sakai，H.、Watada，J.、Roy，A.、Hilmi，M.和Hassan，B.（2019年）。基于Apriori的可疑网络事件识别数据分析，IEEE国际大数据会议（大数据）：可疑网络事件辨识，美国洛杉矶，第5888-5896页。
[84] Jing，S.、Yang，J.和She，K.（2014）。使用MapReduce进行粗熵计算的并行方法，第十届国际计算智能与安全会议，中国昆明，第707-710页。
[85] 晶晶，J.，洪哲，X.和庄庄，S.（2019）。基于mix_fp树的粗糙集属性约简算法在计算机教学中的应用，第二届信息系统与计算机辅助教育国际会议，大连，第78-81页。
[86] jMAF（2021）。jMAF-粗糙集数据分析框架，http://www.cs.put.poznan.pl/jblaszczynski/Site/jRS.html。
[87] John，G.H.和Langley，P.（1995年）。估计贝叶斯分类器中的连续分布，第11届人工智能不确定性会议，加拿大蒙特利尔，第338-345页。
[88] Kang，X.、Liu，X.和Zhai，M.（2011）。基于模糊粗糙技术的神经网络实例选择，机器学习与控制论国际会议，桂林，中国，第1097-1100页。
[89] Kaufman，L.和Rousseeuw，P.J.（1990年）。《在数据中发现群体：聚类分析导论》，威利，纽约·Zbl 1345.62009号
[90] Khan，M.A.和Banerjee，M.（2013）。信息系统代数，见A.Skowron和Z.Suraj（编辑），《粗糙集与智能系统——记忆中的Zdzisław Pawlak教授》，智能系统参考图书馆，第42卷，柏林/海德堡施普林格，第381-407页·Zbl 1251.68030号
[91] Kong，L.，Qu，W.，Yu，J.，Zuo，H.，Chen，G.，Xiong，F.，Pan，S.和Siyu Lin，M.Q.（2020年）。使用模糊粗糙集的大数据分布式特征选择，IEEE模糊系统事务28（5）：846-857。
[92] Kopczyñski，M.、Grze sh，T.和Stepaniuk，J.（2016）。大型数据集的核心：FPGA上的粗糙集，基础信息147（2-3）：241-259·Zbl 1373.68028号
[93] Kopczyñski，M.、Grze sh，T.和Stepaniuk，J.（2017年）。大数据集上硬件支持的基于规则的分类，见L.Polkowski等人（编辑），《粗糙集》，计算机科学讲义，第10313卷，Springer，Cham，第655-668页。
[94] Krishnamurthy，S.和Janardanan，A.（2018年）。基于粗糙集的本体匹配，国际粗糙集与数据分析杂志5（2）：46-68。
[95] Kundu，S.和Pal，S.K.（2018年）。双有界粗糙集，张力测度，社会联系预测，IEEE计算社会系统汇刊5（3）：841-853。
[96] Kune，R.（2014）。基于遗传算法的大数据云数据软件组调度，BDC’14：2014 IEEE/ACM国际大数据计算研讨会论文集，英国伦敦，第96-104页。
[97] Kwiatkowski，P.、Hoa，N.和Nguyen，H.S.（2010年）。关于粗糙集方法的可扩展性，见E.Hüllermeier et al.（Eds），《基于知识的系统中不确定性的信息处理和管理：理论与方法》，《计算机与信息科学通信》，第80卷，施普林格，柏林/海德堡，第288-297页·Zbl 1211.68358号
[98] Landwehr，N.、Hall，M.和Frank，E.（2005年）。物流模型树，机器学习59:161-205·Zbl 1469.68092号
[99] Lenz，O.U.、Peralta，D.和Cornelis，C.（2020）。Fuzzy-rough-learn 0.1：使用模糊粗糙集进行机器学习的Python库，见R.Bello等人（编辑），《粗糙集，计算机科学讲义》，第12179卷，查姆斯普林格，第491-499页。
[100] Li，D.，Zhang，H.，Li，T.，Bouras，A.和Wang，X.Y.T.（2021）。使用模糊c均值和模糊量化粗糙集的混合缺失值插补算法，IEEE模糊系统事务，DOI:10.1109/TFUZZ.2021.3058643，（早期访问）。
[101] Li，T.、Luo，C.、Chen，H.和Zhang，J.（2015）。PICKT:大数据分析的解决方案，见D.Ciucci等人（编辑），《粗糙集与知识技术》，《计算机科学讲义》，第9436卷，施普林格，商会，第15-25页。
[102] Li，X.，Li，X和Zhao，Z.（2016）。将深度学习与粗糙集分析相结合：网络空间态势感知模型，第六届国际电子信息与应急通信会议，中国北京，第182-185页。
[103] Li，X.，Luo，C.，Liu，P.和Wang，L.（2019）。信息熵差异隐私：基于粗糙集理论的差异隐私保护数据方法，IEEE可靠、自主和安全计算国际会议/普适智能和计算/云和大数据计算/网络科学和技术大会（DASC/PiCom/CBDCom/CyberSciTech），日本福冈，第918-923页。
[104] Li，X.和Shen，Y.（2020）。基于大数据的粗糙集不完全经济信息离散化算法，对称12（8）：1245。
[105] Lin，G.，Liang，J.和Qian，Y.（2015）。结合多粒度粗糙集和证据理论的信息融合方法，信息科学314（1）：184-199·Zbl 1387.68217号
[106] Lin，G.，Liang，J.，Qian，Y.和Li，J..（2016）。多源模糊信息系统的模糊多粒度决策理论方法，基于知识的系统91:102-113。
[107] Liu，P.和Zhang，G.（2019年）。基于粗糙集的学习行为关键属性研究，第十四届国际计算机科学与教育会议（ICCSE），加拿大多伦多，第1030-1034页。
[108] Lu，Z.、Liu，K.、Liw，Z.，Wang，C.、Shen，M.和Xu，T.（2019）。《高分辨率地球观测图像大数据集的一种有效注释方法》，2019年ICBDT：第二届大数据技术国际会议论文集，中国济南，第240-243页。
[109] Luo，C.，Li，T.，Chen，H.，Fujita，H.和Yi，Z.（2016）。使用增量对象有效更新概率近似，基于知识的系统109（C）：71-83。
[110] Luo，C.、Li，T.、Chen，H.、Fujita，H.和Yi，Z.（2018）。分层多准则分类的增量粗糙集方法，信息科学429:72-87·Zbl 1436.68352号
[111] Lv，Z.、Liu，T.、Shi，C.、Benediktsson，J.A.和Du，H.（2019）。基于k均值聚类和自适应多数投票的双时相遥感图像土地覆盖变化检测新方法，IEEE Access7:34425-34437。
[112] Madrid，N.、Medina，J.和Ramírez-Poussa，E.（2020年）。基于Galois连接的粗糙集，国际应用数学与计算机科学杂志30（2）：299-313，DOI:10.34768/amcs-2020-0023·Zbl 1477.68308号
[113] Meng，Y.、Liang，J.、Cao，F.和He，Y.（2018）。函数k均值聚类算法的一种新的带导数信息的距离，信息科学463:166-185·兹比尔1440.62249
[114] Mondelli，M.L.、Peterson，A.和Gadelha，L.（2019年）。以生态位建模为例，探索数据科学中的再现性和公平原则，G.Guizardi等人（编辑），《概念建模进展》，《计算机科学讲义》，第11787卷，Cham Springer，第23-33页。
[115] Murtagh，F.（1983年）。层次聚类算法最新进展综述，《计算机期刊》26（4）：354-359·Zbl 0523.68030号
[116] Murtagh，F.和Contreras，P.（2012年）。层次聚类算法：综述，威利跨学科评论：数据挖掘和知识发现2（1）：86-97。
[117] Narayanan，U.，Paul，V.和Joseph，S.（2017）。《大数据分析的不同分析技术：综述》，印度钦奈国际能源会议，第372-382页。
[118] Nguyen，H.（1997）。实值属性离散化，布尔推理方法，华沙大学博士论文。
[119] Nguyen，H.S.（1998年）。数据挖掘中的离散化方法，L.Polkowski（编辑），《知识发现中的粗糙集》，Physica Verlag，海德堡，第451-482页·Zbl 0940.68139号
[120] Nguyen，H.S.（2006年）。近似布尔推理：数据挖掘中的基础和应用，J.F.Peters和A.Skowron（编辑），《粗糙集交易》，计算机科学讲稿，第4100卷，柏林/海德堡斯普林格，第334-506页·Zbl 1136.68497号
[121] Nguyen，H.S.、Nguyem，N.T.、Nugyen，H.S.和Nguyen-L.（2017年）。关于依赖度k表示的一些观察，第九届知识与系统工程国际会议（KSE），越南顺化，第13-17页·Zbl 1448.14037号
[122] Naouali，S.和Missaoui，R.（2005年）。数据立方体中的灵活查询应答，见A.M.Tjoa和J.Trujillo（编辑），《数据仓库和知识发现》，《计算机科学讲义》，第3589卷，柏林/海德堡斯普林格出版社，第221-232页。
[123] Nowak-Brzeziñska，A.和Wakulicz-Deja，A.（2019年）。探索基于规则的知识库：知识工程师的支持，信息科学485（2）：301-318。
[124] Ohrn，A.（2000年）。ROSETTA：技术参考手册，技术报告，挪威科技大学，特隆赫姆。
[125] Ohrn，A.和Komorowski，J.（1997年）。ROSETTA：用于数据分析的粗糙集工具包，粗糙集与软计算研讨会（RSSC’97），美国达勒姆，第3卷，第403-407页。
[126] Pal，S.（2021年）。粗糙集和深度学习：一些概念，《学术快报》（1849）：1-6，DOI:10.20935/AL1849。
[127] Pal，S.K.（2020年）。粒度挖掘和大数据分析：粗略模型和挑战，《印度国家科学院院刊》，A:物理科学90:193-208。
[128] Pal，S.K.，Bhoumik，D.和Chakraborty，D.（2019年）。运动检测和对象识别中的粒度深度学习和Z数字，神经计算和应用32（4）：1-16。
[129] Pal，S.K.和Kundu，S.（2017年）。《粒度社交网络：模型和应用》，A.Y.Zomaya和S.Sakr（编辑），《大数据技术手册》，查姆斯普林格，第617-651页。
[130] Pal，S.K.和Meher，S.K..（2013年）。自然计算：一种具有粒度信息处理的问题解决范式，应用软计算13（9）：3944-3955。
[131] Pal，S.K.、Polkowski，L.和Skowron，A.（2004）。柏林施普林格，《用词计算的粗糙神经计算技术》·Zbl 1040.68113号
[132] Pancerz，K.和Suraj，Z.（2013年）。信息系统分解的粗糙集方法，基础信息学127（1-4）：257-272·Zbl 1275.68144号
[133] Pandu，S.（2020年）。基于MapReduce的改进快速约简算法，使用垂直分区方案进行粒度细化，基于知识的系统189:1872-7409。
[134] Pawlak，Z.（1991年）。关于数据推理的粗糙集和理论方面，Kluwer，Dordrecht·Zbl 0758.68054号
[135] Pawlak，Z.和Skowron，A.（2007年）。粗糙集与布尔推理，信息科学177（1）：41-73·Zbl 1142.68551号
[136] Pedrycz，W.和Bargiela，A.（2002年）。粒度聚类：数据的粒度特征，IEEE系统、人与控制论汇刊B：控制论32（2）：212-224。
[137] Pedrycz，W.、Gacek，A.和Wang，X.（2015a）。粒度约束增强空间中的聚类：基于知识的聚类研究，模式识别字母67:122-129。
[138] Pedrycz，W.和Gomide，F.（1994年）。广义模糊Petri网模型，IEEE模糊系统事务2（4）：295-301。
[139] Pedrycz，W.、Succi，G.、Sillitti，A.和Iljazi，J.（2015b）。数据描述：信息颗粒的一般框架，基于知识的系统80:98-108。
[140] Pedrycz，W.和Vukovich，G.（2001年）。颗粒神经网络，神经计算36（1）：205-224·兹比尔1003.68638
[141] Pedrycz，W.、Zhao，J.、Jing，X.和Yan，Z.（2021）。数据融合的网络流量分类：调查，信息融合72:22-47。
[142] Peters，J.（2013）。兹吉斯·瓦·鲍拉克的画离我们有多远？数字图像感兴趣区域之间的亚视距离研究，见A.Skowron和Z.Suraj（编辑），《粗糙集与智能系统》，Zdzisław Pawlak教授，《记忆》，智能系统参考图书馆，第42卷，柏林/海德堡斯普林格，第545-568页·Zbl 1251.68030号
[143] Peters，J.（2020年）。计算几何、拓扑和视觉场景的物理，J.F.Peters（编辑），《计算几何、数字图像的拓扑和物理及其应用》，查姆斯普林格，第1-85页·Zbl 1437.68005号
[144] Peters，J.F.、Skowron，A.和Suraj，Z.（2000年）。粗糙集方法在控制设计中的应用，基础信息43（1-4）：269-290·兹比尔0971.93052
[145] Peters，J.F.、Ziaei，K.、Ramanna，S.和Ehikioya，S.A.（1998年）。自适应模糊粗糙近似时间控制器设计方法：概念、Petri网模型和应用，IEEE系统、人和控制论国际会议，美国圣地亚哥，第3卷，第2101-2106页。
[146] Peters，J.和Naimpally，S.（2012年）。近集的应用，美国数学学会通告59:536-542·Zbl 1251.68301号
[147] Pierzchała，D.（2014）。本体论和粗糙集理论在多分辨率作战信息共享中的应用，J.Sobecki等人（编辑），《智能信息和数据库系统的高级方法》，Springer，Cham，第193-203页。
[148] Pięta，P.、Szmuc，T.和Kluza，K.（2019年）。用于数据分析的粗糙集工具包系统的比较概述，第三届工程科学计算方法国际会议（CMES18），波兰卡齐米尔兹·多尔尼，第1-7页。
[149] Polkowski，L.（2005年）。基于颗粒粗糙血液学演算的粗糙模糊神经计算，国际混合智能系统杂志2（2）：91-108·Zbl 1083.68042号
[150] Polkowski，L.（2011）。部分近似推理：粗糙Mereology简介，施普林格，柏林/海德堡。
[151] Polkowski，L.（2020）。关于水文空间的紧性，《基础信息》172（1）：73-95·Zbl 1464.03005号
[152] Polkowski，L.和Osmialowski，P.（2010）。移动自主机器人及其编队的导航：从粗糙的地质几何学导出的空间推理应用，A.Barrera（Ed.），移动机器人导航，IntechOpen，伦敦，DOI:10.5772/8987，https://www.ntechopen.com/chapters/10248。 ·Zbl 1288.68216号
[153] Polkowski，L.和Skowron，A.（1996年）。基于知识的分布式人工智能的粗糙数学方法，第三届世界专家系统大会，韩国首尔，第774-781页。
[154] Polkowski，L.和Skowron，A.（2000）。信息系统中的粗糙数学及其在定性空间推理中的应用，《信息基础》43（1-4）：291-320·Zbl 0965.68124号
[155] Prędki，B.、Słowiánski，R.、Stefanowski，J.、Susmaga，R.和Wilk，S.（1998）。ROSE-Software implementation of the rough set theory，摘自A.S.Polkowski（Ed.），《计算中的粗糙集和当前趋势》，柏林斯普林格出版社，第605-608页。
[156] Prędki，B.和Wilk，S.（1999）。使用ROSE系统进行基于粗糙集的数据探索，见A.S.Z.W.Ras（编辑），《智能系统基础》，柏林斯普林格，第172-180页。
[157] Przyborowski，M.、Tajmajer，T.、Grad，L.、Janusz，A.、Biczyk，P.和ŚLęzak，D.（2018）。《颗粒数据的机器学习：基于紧凑自动编码器的卫星图像表示案例》，2018年IEEE大数据国际会议，美国西雅图，第2657-2662页。
[158] Przybyła-Kasperek，M.和Wakulicz-Deja，a.（2013）。条件属性集约简在全局决策过程中的应用，《基础信息》122（4）：327-355·Zbl 1261.68117号
[159] Przybyła-Kasperek，M.和Wakulicz-Deja，a.（2014）。分散决策系统——系统结构动态生成过程中谈判的使用，信息科学288（1）：194-219·Zbl 1341.91044号
[160] Przybyła-Kasperek，M.和Wakulicz-Deja，a.（2016a）。动态生成不相交集群的多智能体决策系统中的全局决策，应用软件计算40:603-615·Zbl 1341.91044号
[161] Przybyła-Kasperek，M.和Wakulicz-Deja，a.（2016b）。《在具有谈判的分散决策支持系统中联盟的力量》，《欧洲运筹学杂志》252（3）：947-968·Zbl 1346.90442号
[162] Przybyła-Kasperek，M.和Wakulicz-Deja，a.（2017年）。分散决策系统中抽象层次和等级层次的融合方法比较，国际通用系统杂志46（4）：1-28。
[163] Qiana，Y.、Liana，X.、Lin，G.、Guo，Q.和Liang，J.（2017）。局部多等级决策理论粗糙集，《国际近似推理杂志》82（6）：119-137·Zbl 1404.68172号
[164] 琼·C、黄·M、王·H和徐·G（2021）。线性光谱模型下高分辨率遥感大数据基于模糊粗糙集的特征离散化方法，IEEE模糊系统汇刊：1-1，（早期访问）。
[165] 瞿伟、孔磊、吴坤、唐凤和陈庚（2019）。用于云计算中大数据分析的分布式模糊粗糙集，IEEE第25届并行与分布式系统国际会议（ICPADS），中国天津，第109-116页。
[166] Quinlan，J.R.（1983年）。学习有效的分类程序及其在国际象棋比赛中的应用，见R.S.Michalski等人（编辑），《机器学习：符号计算》，Springer，Heidelberg，第463-482页。
[167] Quinlan，J.R.（1993）。C4.5：机器学习计划，摩根考夫曼，旧金山。
[168] Rajesh，T.和Malar，R.S.M.（2013）。粗糙集理论和基于前馈神经网络的磁共振图像脑肿瘤检测，先进纳米材料和新兴工程技术国际会议，印度钦奈，第240-244页。
[169] Riaz，S.、Arshad，A.和Jiao，L.（2019年）。用于图像分类的带有模糊粗糙c均值的半监督CNN，IEEE Access7:49641-49652。
[170] ROSE（1998）。ROSE-粗糙集数据浏览器，https://idss.cs.put.poznan.pl/site/rose.html。
[171] 罗斯塔（1994）。ROSETTA-数据分析的粗糙集工具包，http://bioinf.icm.uu.se/rosetta/downloads.php。
[172] RSES（2005）。RSES-粗糙集探索系统，网址：https://www.muw.edu.pl/szzuka/rses。
[173] RSlib（2019年）。Java中的Rseslib 3-粗糙集和机器学习开源，http://rsproject.mimuw.edu.pl/help.html。
[174] Riza，L.S.、Janusz，A.、Bergmeir，C.、Cornelis，C.、Herrera，F.、ŚLęzak，D.和Benítez，J.M.（2014）。在R包RoughSets中实现粗糙集理论和模糊粗糙集理论的算法，信息科学287:68-89。
[175] Sachin，J.和Shubhangi，S.（2015）。使用并行粗糙集和MapReduce从大数据中获取知识，国际信息处理会议（ICIP），印度浦那，第16-20页。
[176] Sakai，H.、Nakata，M.和Watada，J.（2020年）。基于NIS的三向决策规则生成及其在SQL中的应用系统，信息科学507:755-771·Zbl 1456.68201号
[177] Sedkaoui，S.（2018年）。《数据分析和大数据》，霍博肯威利出版社。
[178] Shan，H.、Xiaoning，J.和Jianxun，L.（2016）。基于粗糙集的决策融合中缺失数据影响的评估方法，智能数据分析20（6）：1267-1284。
[179] Shi，W.，Gong，Y.，Ding，C.，Ma，Z.，Tao，X.和Zheng，N.（2015）。《使用min-max功能的半监督传递式深度学习》，《欧洲计算机视觉会议论文集》，瑞士查姆，第299-315页。
[180] Simiński，R.和Wakulicz Deja，A.（2003年）。决策单元作为规则库建模和验证的工具，见M.a.Klopotek等人（编辑），《智能信息处理和Web挖掘》，柏林/海德堡施普林格出版社，第553-556页·Zbl 1095.68692号
[181] Sinaga，K.P.和Yang，M.-S.（2020年）。无监督k-means聚类算法，IEEE Access8:80716-80727。
[182] Skowron，A.、Bazan，J.和Wojnarski，M.（2009年）。模式识别中的交互式粗粒度计算，S.Chaudhury等人（编辑），模式识别和机器智能，计算机科学讲义，第5909卷，柏林/海德堡斯普林格，第92-97页。
[183] Skowron，A.和Dutta，S.（2017年）。《从信息系统到交互式信息系统》，G.Wang等人（编辑），《繁荣的粗糙集》，《计算智能研究》，第708卷，Springer，Cham，第207-223页。
[184] Skowron，A.和Dutta，S.（2018年）。粗糙集：过去、现在和未来，自然计算17:855-876。
[185] Skowron，A.、Jankowski，A.和Dutta，S.（2016）。基于大数据和领域知识的问题解决支持：交互式粒度计算和自适应判断，N.Japkowicz和J.Stefanowski（编辑），大数据分析：新社会的新算法，大数据研究，第16卷，Springer，Cham，第49-90页。
[186] Skowron，A.和Nguyen，H.S.（1999年）。布尔推理方案及其在数据挖掘中的一些应用，见J.M.Żytkow和J.Rauch（编辑），《数据挖掘和知识发现原理》，柏林斯普林格出版社，第107-115页。
[187] Skowron，A.、Ramanna，S.和Peters，J.（2006）。冲突分析与信息系统：粗糙集方法，G.Y.Wang等人（编辑），《粗糙集与知识技术》，《计算机科学讲义》，第4062卷，柏林/海德堡斯普林格出版社，第233-240页·Zbl 1196.68290号
[188] Skowron，A.和Stepaniuk，J.（1996年）。公差近似空间，《基础信息》27（2-3）：245-253·Zbl 0868.68103号
[189] Skowron，A.和Stepaniuk，J.（2001）。《信息粒：面向粒计算的基础》，《国际智能系统杂志》16（1）：57-85·Zbl 0969.68078号
[190] Skowron，A.和Suraj，Z.（编辑）（2013a）。粗糙集与智能系统Zdzisław Pawlak教授，《记忆》，第1卷，施普林格，柏林/海德堡·Zbl 1251.68030号
[191] Skowron，A.和Suraj，Z.（编辑）（2013b）。粗糙集与智能系统——Zdzisław Pawlak教授，《纪念》，第2卷，施普林格，柏林/海德堡·兹比尔1251.68030
[192] Skowron，A.和Wasilewski，P.（2011年A）。颗粒交互式计算建模中的信息系统，理论计算机科学412（42）：5939-5959·Zbl 1223.68118号
[193] Skowron，A.和Wasilewski，P.（2011年b）。面向交互式粗粒度计算，控制与控制学40（2）：213-235·Zbl 1318.68175号
[194] Skowron，A.、Yuhua，Q.、Xinyan，L.、Qi，W.、Liang，J.、Bing，L.，Yiyu，Y.、Jianmin，M.和Dang，C.（2018）。局部粗糙集：大数据中粗糙数据分析的解决方案，国际近似推理杂志97:38-63·Zbl 1445.68223号
[195] Skowron，A.（2001）。分布式环境中代理的近似推理，《第二届亚太智能代理技术会议论文集》，日本前桥，第28-39页。
[196] Ślęzak，D.、Glick，R.、Betliangski，P.和Synak，P.（2018年）。基于智能捕获和颗粒数据摘要快速转换的新近似查询引擎，智能信息系统杂志50:385-414。
[197] Ślęzak，D.、Synak，P.、Toppin，G.、Wróblewski，J.和Borkowski，J..（2012）。粗糙的SQL语义和执行，收录于S.Greco等人（编辑），《计算智能进展》，《计算机和信息科学中的通信》，第298卷，施普林格出版社，柏林/海德堡，第570-579页。
[198] Ślęzak，D.和Eastwood，V.（2009）。Infobright的数据仓库技术，《SIGMOD会议记录》，美国普罗维登斯，第841-846页。
[199] Ślęzak，D.、Grzegorowski，M.、Janusz，A.、Kozielski，M.，Nguyen，S.H.、Sikora，M.和Stawicki，S.和Wróbel，Ł。(2018). 学习多传感器预测模型并将其嵌入决策支持系统的框架：煤矿甲烷浓度的案例研究，信息科学451-452:112-133。
[200] 西莱扎克，D.，西纳克，P.，Wróblewski，J.和托平，G.（2010）。使用粗糙集和粒度计算的Infobright分析数据库引擎，IEEE粒度计算国际会议，美国圣何塞，第432-437页。
[201] Ślęzak，D.、Wróblewski，J.、Eastwood，V.和Synak，P.（2008）。Brighthouse:用于特殊查询的分析数据仓库，VLDB捐赠会议记录1（2）：1337-1345。
[202] Stefanowski，J.、Krawiec，K.和Wrembel，R.（2017）。探索复杂的大数据，《国际应用数学与计算机科学杂志》27（4）：669-679，DOI:10.1515/amcs-2017-0046·Zbl 1396.68104号
[203] Sulaiman，S.、Shamsuddin，S.M.和Abraham，A.（2009年）。粗糙网络缓存，载于A.Abraham等人（编辑），《粗糙集理论：数据分析的真正里程碑》，《计算智能研究》，第174卷，施普林格出版社，柏林/海德堡，第187-211页·Zbl 1157.68001号
[204] 孙玉强、吴丽英、曾瑜（2019）。基于模糊理论和贝叶斯粗糙集的武器论证决策方法，ICMSS 2019：第三届管理工程国际会议论文集，中国武汉，第74-77页。
[205] 孙磊、尹涛、丁伟、钱寅和徐杰（2021）。使用多标签模糊邻域粗糙集和最大相关最小冗余的缺失标签特征选择，IEEE模糊系统事务：1-1，（早期访问）。
[206] Suraj，Z.、Grochowalski，P.和Bandyopadhyay，S.（2015）。基于规则知识的反向模糊推理优化，《并行、规范和编程国际研讨会论文集》，波兰Rzeszow，第177-186页。
[207] 唐J.、王J.和吴C.（2019）。基于粗集理论的大数据视角下网络舆情研究进展，IEEE第八届国际信息技术与人工智能联合会议，重庆，第1074-1077页。
[208] N.N.Thuy和S.Wongthanavasu（2021年）。一种新的高维混合决策表特征选择方法，IEEE神经网络和学习系统事务：1-14，（早期访问）。
[209] UCI（2021）。UCI机器学习库，https://archive.ics.uci.edu/ml/index.php。
[210] Venkatraman，R.和Venkatram，S.（2019年）。大数据基础设施，《第三届大数据和物联网国际会议论文集》，2019年BDIOT，美国纽约，第13-17页。
[211] Verbist，N.、Cornelis，C.和Herrera，F.（2013年）。OWA-FRPS：基于有序加权平均模糊粗糙集理论的原型选择方法，见D.Ciucci等人（编辑），《粗糙集、模糊集、数据挖掘和粒度计算》，计算机科学讲义，第8170卷，柏林/海德堡斯普林格，第180-190页·Zbl 1323.68445号
[212] Vluymans，S.、Asfoor，H.、Saeys，Y.、Cornelis，Y.，Tolentino，M.、Teredesai，A.和De Cock，M.（2015）。用于大数据回归的分布式模糊粗糙原型选择，北美模糊信息处理协会年会/第五届世界软计算大会，美国雷蒙德，第1-6页。
[213] Vluymans，S.、Cornelis，C.、Herrera，F.和Saeys，Y.（2018a）。使用模糊粗糙邻域一致性的多标签分类，信息科学433-434（9）：96-114·Zbl 1436.68313号
[214] Vluymans，S.、Fernández，A.、Saeys，Y.、Cornelis，C.和Herrera，F.（2018b）。基于动态仿射的多类不平衡数据分类与一对一分解：模糊粗糙集方法，知识与信息系统56（1）：55-84。
[215] Wakulicz-Deja，A.、Boryczka，M.和Paszek，P.（1998年）。线粒体脑肌病决策系统的连续属性离散化，第一届国际会议，RSCTC’98，波兰华沙，第483-490页。
[216] Wakulicz-Deja，A.、Nowak-Brzeziñska，A.和Jach，T.（2011年）。《不完全知识决策支持系统中的推理过程》，J.Yao等人（编辑），《粗糙集与知识技术》，施普林格出版社，柏林/海德堡，第616-625页。
[217] Wakulicz-Deja，A.、Nowak-Brzeziñska，A.和PrzybyłA-Kasperek，M.（2013）。复杂决策系统与冲突分析问题，《基础信息》127（1-4）：341-356。
[218] Wakulicz-Deja，A.和PrzybyłA-Kasperek，M.（2016）。Pawlak的冲突模型：发展方向，《2016年计算机科学和信息系统联合会议论文集》，FedCSIS 2016，波兰哥丹斯克，第191-197页·Zbl 1346.90442号
[219] Wan，R.和Li，Y.（2019年）。用粗糙集聚类数据流，《19世纪国际公民权利和政治权利国际公约：第八届国际计算与模式识别会议论文集》，中国北京，第52-56页。
[220] Wang，G.，Li，T.，Zhang，P.，Huang，Q.和Chen，H.（2021）。用于高效数据挖掘的双对数粗糙集，《信息科学》571（2-3）：475-498。
[221] Wang，S.、Li，T.、Luo，C.和Fujita，H.（2016a）。利用有序数据的多维变量高效更新粗糙近似，信息科学372（7）：690-708·Zbl 1428.68261号
[222] Wang，X.，Wang，L.，Li，Y.，Wang.，B.，Hei，X.和Cao，Z.（2016b）。基于分布式域名的规则获取快速算法，IEEE智能云国际会议，美国纽约，第278-281页。
[223] Watt，J.、Borhani，R.和Katsaggelos，A.K.（2016）。《机器学习精细化：基础、算法和应用》，剑桥大学出版社，剑桥·Zbl 1376.68004号
[224] Wei，W.和Liang，J.（2019）。粗糙集理论中的信息融合：综述，信息融合48:107-118。
[225] WEKA（2009）。WEKA-Waikato知识分析环境，http://users.aber.ac.uk/rkj/book/wekafull.jar。
[226] Wilkinson，M.、Dumontier，M.、Aalbersberg，I.J.、Appleton，G.、Axton，M.、Baak，A.、Blomberg，N.、Boiten，J.-W、Bonino da Silva Santos，L.O.、Bourne，P.、Bouwman，J.、Brookes，A.、Clark，T.、Crosas，M.、Dillo，I.、Dumon，O.、Edmunds，S.、Evelo，C.、Finkers，R.和Mons，B.（2016）。公平科学数据管理和管理指导原则，科学数据3:1-9，第160018条。
[227] Wnuk，M.、Stawicki，S.和Ślęzak，D.（2020年）。为了加速现代数据处理框架，重塑infobright在颗粒表上进行粗略计算的概念，IEEE国际大数据会议（大数据），美国亚特兰大，第5405-5412页。
[228] Wu，W.-Z.和Leung，Y.（2011）。多尺度决策表中颗粒标记分区的理论与应用，信息科学181（18）：3878-3897·Zbl 1242.68258号
[229] Wu，H.S.P.和Prasad S.（2018年）。使用伪标签进行高光谱图像分类的半监督深度学习，IEEE图像处理汇刊27（3）：1259-1270·Zbl 1409.94663号
[230] Xia，S.、Zhang，Z.、Li，W.、Wang，G.、Giem，E.和Chen，Z.（2020年）。GBNRS：一种新的用于分类中快速自适应属性约简的粗糙集算法，IEEE知识与数据工程学报：1-1，（早期访问）。
[231] Y.Xiaoguang、Z.Qisong和S.Guojun（2018）。基于粗糙集神经网络的LBS服务设施分类研究，中国控制与决策会议，中国沈阳，第2843-2848页。
[232] 谢赫、胡晓霞、彭振中、姚晓霞和陈寅（2018）。基于粗糙集模糊聚类的电力消费行为分析方法，第二届IEEE能源互联网与能源系统集成会议（EI2），中国北京，第1-5页。
[233] Xu，W.和Yu，J.（2017）。多源数据集信息融合的新方法：粒计算观点，信息科学378（C）：410-423·Zbl 1429.68301号
[234] Yang，X.、Li，T.、Dun，D.L.、Chen，H.和Luo，C.（2017）。动态三向概率粗糙集的统一框架，信息科学420（C）：126-147·兹比尔1436.68362
[235] Yao，Y.（2007）。决策论粗糙集模型，J.Yao等人（编辑），《粗糙集与知识技术》，计算机科学讲义，第4481卷，Springer，柏林/海德堡，第1-12页。
[236] Yap，C.E.和Kim，M.H.（2013）。基于实例的本体匹配与粗糙集特征选择，国际IT融合与安全会议（ICITCS），中国澳门，第1-4页。
[237] Yeganejou，M.和Dick，S.（2018年）。通过深度模糊c均值聚类进行分类，IEEE模糊系统国际会议，FUZZ-IEEE，巴西里约热内卢，第1-6页。
[238] 袁，Z.、陈，H.、谢，P.、张，P.，刘，J.和李，T.（2021）。模糊粗糙集理论中的属性约简方法：概述、比较实验和新方向，应用软计算107（2）：107353。
[239] Yun，S.（2014）。《粗糙集大数据分析与类电磁机制算法研究》，IEEE国际计算机与信息技术会议，西安，中国，第923-926页。
[240] Zadeh，L.（1965年）。模糊集信息与控制，信息与控制8（3）：338-353·Zbl 0139.24606号
[241] 洛杉矶扎德（1997）。关于模糊信息粒化理论及其在人类推理和模糊逻辑中的中心地位，模糊集与系统90（2）：111-127·Zbl 0988.0304号
[242] Zhang，C.，Li，D.，Kang，X.，Song，D.，Kumar，A.和Said，B.（2020年）。粗糙集理论的中子学融合：综述，《工业计算机》115:103117。
[243] Zhang，J.、Li，T.和Pan，Y.（2012）。使用MapReduce从大数据中并行获取基于粗糙集的知识，BigMine’12：第一届大数据国际研讨会论文集，中国北京，第20-27页。
[244] 赵R.、王Y.、刘Q.、董D.和李C.（2020）。人群疏散中稳定性态势判断的知识获取模型，第五届国际计算机与通信系统会议，中国上海，第510-514页。
[245] Zhou，C.和Lin，Z.（2018）。《基于粗糙集的电信行业欺诈检测研究》，IEEE第八届年度计算与通信研讨会（CCWC），美国拉斯维加斯，第15-19页。
[246] Zhou，S.、Chen，Q.和Wang，X.（2014）。半监督情绪分类的模糊深度信念网络，神经计算131:312-322。
[247] Ziarko，W.（1993年）。变精度粗糙集模型，《计算机与系统科学杂志》46（1）：39-59·Zbl 0764.68162号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。