进行粗糙集运算，可进行属性的约减，可大大的减少数据量，是进行属性约减的最佳界面

提出一种基于直觉模糊三角模的直觉模糊粗糙集．首先，定义了直觉模糊集上的T模及其剩余蕴涵，研究了直觉模糊T模的剩余蕴涵的性质，并推导了通用计算表达式；然后，将模糊T粗糙集扩展成直觉模糊粗糙集，证明了模糊T粗糙集、粗糙模糊集和Pawlak粗糙集都是直觉模糊粗糙集的特殊情形；最后，证明了直觉模糊粗糙集的一些性质．

多准则群决策是决策领域的研究热点, 如何在信息不确定性和评价主观性背景下选择合适的决策方法则是研究的难点. 为了解决这一问题, 提出一个新的基于粗糙数的多准则群决策方法. 首先, 提出基于粗糙数的最优最劣方法(RBWM) 确定评价准则的权重; 然后, 利用粗糙数改进的逼近理想解排序法(RTOPSIS) 评价备选方案并做出最优决策; 最后, 利用一个实例对所提出的群决策方法进行应用和灵敏度分析, 并与其他决策方法进行对比分析, 验证了所提出方法的有效性和准确性.

Darcy-Weisbach 摩擦系数的计算是通过不同的方法（隐式和显式）根据雷诺数和相对粗糙度系数进行的。 通过输入参数指定要使用的计算方法。 此外，还提供了一个子程序，用于根据管道不同运行条件下雷诺数和摩擦系数的测量来估计粗糙度系数。 http://doi.org/10.5281/zenodo.1481992

覆盖粗糙集约简算法 Reduction and axiomization of covering generalized rough sets

提出一种基于粗糙集 CMAC神经网络的智能互补融合的诊断策略.该策略利用粗糙集理论对数据样本进行数据浓缩,提取初步的诊断规则.对初步的诊断规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立故障状态空间到诊断空间的精确映射.大大提高了神经网络的收敛速度和逼近精度.将该神经网络应用于的变压器故障诊断实例,结果表明,该神经网络具有分类逼近能力强,计算量小等优点.诊断正确率比普通神经网络的诊断正确率高.

自己用半年所有的业余时间从根本没怎么学习过android的菜鸟不断学习开发了一个基于地图的聊天app做工比较粗糙但基本功能都有了。因为种种原因不能把它做成一款商业产品又不想把它埋没了。现在我把这个分享给大家希望对大家有帮助。如果是初学者的话里面确实有android各个方面的小技术应用值得学习。git地址httpsgithub.compingguokillerStarChat.rar,太多无法一一验证是否可用，程序如果跑不起来需要自调，部分代码功能进行参考学习。

在决策表中，为了评价某条件属性的重要性，不但要考虑这个属性（单一属性）相对于决策属性的重要性，还要考虑该条件属性与其他条件属性构成的属性集的重要性．在属性集依赖度比单一属性依赖度更加可信的事实基础上，提出了一个基于可分辨矩阵的属性集依赖度计算方法．该方法能够较快地获得可分辨矩阵，并直接求出属性集的依赖度，从而大大降低了算法的时间复杂度．实例验证了该方法具有较好的有效性和较低的时间复杂度．

MATLAB 代码，用于计算给定雷诺数 (Re) 和相对粗糙度系数 (epsilon) 值的管道中的摩擦系数。 句法： f = colebrook(Re,epsilon) 示例 1：单个 Re，单个 epsilon Re = 1e5; epsilon = 1e-4; f = colebrook(Re,epsilon) 示例 2：多个 Re，单个 epsilon Re = 5000:1000:100000; epsilon = 1e-4; f = colebrook(Re,epsilon); 情节（重新，f） 示例 3：单个 Re，多个 epsilon Re = 1e5; epsilon = linspace(1e-4,1e-1,100); f = colebrook(Re,epsilon); 情节（epsilon，f） 示例 4：多个 Re，多个 epsilon Re = lo

使用 Haar 小波计算 10 个细节级别的图像粗糙度。 计算细节级别总和的偏度。 计算特征真实尺寸的有效粗糙度。 有效粗糙度很有用，因为单个尺寸的特征将被多个细节级别的小波分解。 该例程考虑了粗糙度的分布，并通过拟合 Haar 小波的粗糙度分布曲线来给出每个细节级别的有效粗糙度。 有效尺寸为：适合 1 = 1 像素、适合 2 = 2 像素、适合 3 = 4 像素、适合 4 = 8 像素等。