针对粗糙集理论在智能信息处理和智能控制中的应用问题,该文进行了如下一些深入的研究.不确定性问题是粗糙集和模糊集理论共同的根本性问题,然而两种理论所指"不确定性"的含义是有差别的,其刻划的测度指标也不同.衡量粗糙集不确定性的测度指标是粗糙度;衡量模糊集不确定性的测度指标是模糊度.然而,两者又有联系,在满足一定的条件下,粗糙集与模糊集之间可以互相转化.文中讨论了这种转化的条件和途径.粗糙数据模型(RDM)是Kowalczyk最近提出的一种广义粗糙集模型.该模型具有相对简单、实用性强等优点,但却存在着寻求最优RDM的NP-hard问题这一致命弱点.针对此问题,文中提出了一种新颖的双回路GA递阶优化方法,将建立最优RDM的整体指标结构和优化过程分为内、外两层:外层GA,依据最小描述长度原则和最少规则数目原则,主要解决训练数据集的特征提取与离散化问题,在保持较高分类精度的基础上确定所选用的属性子集及各连续属性散离化分点的数目;内层GA,依据使对应相同决策类的输入样本尽可能多地位于同一输入乘积子空间中的原则,确定输入数据空间的最优划分以及各输入乘积子空间与决策子空间之间的映射关系.这样内、外两层GA相互配合,分工协作,极大地提高了搜索效率,最终建立起具有良好性能的"最优"粗糙数据模型.典型数据集的实验结果表明了该方法的有效性.Kowalczyk的粗糙数据模型(KRDM)是建立在对数据空间预先的网格状划分的基础上的,其分类精度和对噪声数据的处理能力都严重地依赖于这种界限分明的栅格划分,而且两者之间存在着难以调和的矛盾:格点矩形块越小,KRDM的分类精度越高,但对噪声的敏感程度也越大.为了解决这一问题,文中采用了数据空间的动态自适应模糊聚类技术,从两条途径分别提出了一种新的数据分析方法——模糊粗糙数据模型,即基于输入空间的非监督模糊粗糙数据模型(FRDM)和基于输入-输出乘积空间的监督模糊粗糙数据模型(SFRDM).文中提出了一种T-S型粗糙模糊控制器的设计方法,利用粗糙集寻求输入输出空间的最小规则映射关系,极大地减少了规则的数目以及耗时的规则前件匹配计算和解模糊计算,有效避免了模糊规则集的"维数灾难"问题;同时,通过输出控制信息补偿,建立起T-S型模糊推理系统,利用多个局部线性控制器逼近非线性规律,实现高精度的控制.对变杆长倒立摆控制的仿真研究和对实际倒立摆的实时控制表明,该控制器可以有效地应用于某些实际工业过程中难以精确建模、使用人工控制或半自动控制的复杂对象或过程,提高生产过程的自动化水平.