内核方法和粗糙集是机器学习和智能系统领域中的两个普遍追求。 核方法将数据映射到更高维的特征空间,在该特征空间中,分类任务的结果结构是线性可分离的:而粗糙集则利用关系来使宇宙粒化,并使用归纳的知识颗粒来近似解决手头问题中存在的任意概念。 。 尽管这两种方法似乎没有联系,但是内核方法和粗糙集都明确或隐式地驻留在关系矩阵上,以表示样本信息的结构。 基于此观察,我们通过将高斯核与模糊粗糙集结合起来将这些方法结合起来,并提出了基于高斯核逼近的模糊粗糙集模型。 模糊的T-等价关系构成了大多数模糊粗糙集模型的基础。 证明了与高斯核的模糊关系是自反的,对称的和可传递的。 为了进行模糊粗糙数据分析,引入了高斯核