多粒度粗糙集和三支决策都是用来处理不确定性问题的理论方法，两者的结合可以为处理决策问题提供一种新的视角。针对数值型偏序关系数据集，引入优势粗糙集的思想，讨论多个属性粒度结构下的多粒度粗糙集模型及其上的三支决策方法。首先，基于优势关系建立多个属性下的粒结构，并在此基础上提出优势关系下的优势乐观多粒度粗糙集、优势悲观多粒度粗糙集和优势平均多粒度粗糙集，讨论它们的性质及关系。根据不同粒结构下的损失函数，讨论优势关系下多粒度粗糙集的三支决策规则。
<正>《郑州大学学报(理学版)》(原刊名《郑州大学学报(自然科学版)》)是郑州大学主办的自然科学综合性学术刊物(双月刊,国内外公开发行),中文核心期刊,主要刊登信息与计算机科学、数学、物理学、化学、生物工程科学、材料科学、电气工程科学等自然科学的基础研究及应用研究方面的学术论文。1要求及注意事项1.1来稿应具有创新性、科学性、准确性和可读性。稿件必须包括(按顺序):题名、作者姓名、作者单位(具体到院系)及省份、城市邮政编码、中英文摘要(100～300字)、关键词(3～8个)、中图分类号、文献标志码、正文、参考文献。请在文稿首页地脚处依次注明基金项目、作者简介(内容包括姓名、出生年、性别、职称、学位、主要研究方向及E-mail)。
针对大规模电动汽车接入电网引起的负荷波动问题，提出一种基于用户行为模糊推理与分区动态电价的电动汽车充放电调度策略。首先，基于出行链理论构建电动汽车充电负荷时空分布模型，根据节点电压水平建立分区动态电价和激励电价模型；其次，根据实时荷电状态与下一阶段出行所需电量，将用户划分为刚性用户和弹性用户，刚性用户采用立即充电策略，弹性用户则利用模糊推理理论量化其充放电响应意愿；最后，构建以最小化用户充放电总成本和配电网负荷方差、最大化用户综合满意度为目标的多目标优化模型，并采用NSGA-Ⅲ算法进行求解。仿真结果表明，所提策略能有效降低电网负荷方差和峰谷差，减少用户总成本，并显著改善配电网节点电压质量。
类案检索作为保障司法公正与统一的核心技术，为案件判决提供了重要支撑，但现有方法多侧重文本统计特征与表层文本语义，不仅存在难以有效应对文本过长、信息冗余的问题，还忽视了司法裁判中的因果逻辑。因此，提出基于大语言模型的因果分析类案检索方法，通过“事实重建、行为事实提取、行为因果发现”三阶段流程，先对案件事实进行重构，再通过结合知识图谱进行因果分析抽取行为过程，利用反事实推理捕捉行为间因果关系，最后，由大语言模型对行为事实进行因果要素推理，从而发现案件事实中的深层因果逻辑。实验结果表明，所提方法相较于基线模型在P@5、P@10、MAP、NDCG@10、NDCG@20、NDCG@30指标上表现良好，有效验证了因果分析在类案检索任务中的应用价值。
针对睡眠呼吸暂停检测中存在的特征表示单一化、跨域关联建模不足以及数据类别不平衡等问题，提出一种融合多视图表征与动态聚焦代价敏感损失函数的检测方法。首先，将不同时长心电信号通过格拉姆角和场映射为图像，构建时序-空间双视图；其次，构建双分支混合网络，结合自适应门控LSTM在时序建模方面的能力与Res-Swin Transformer在图像空间特征提取方面的优势，并引入跨域注意力机制实现特征融合；最后，引入动态聚焦代价敏感损失函数来缓解数据类别不均衡的问题。在Apnea-ECG数据集上的实验结果表明，所提方法在片段睡眠呼吸暂停检测中准确率为91.2%、灵敏度为89.2%、特异性为92.4%,在个体睡眠呼吸暂停检测中三项指标均达到100%,显著优于现有方法。
针对战场上装甲目标毁伤状态检测所面临的图片背景复杂、毁伤程度各异及毁伤特征多变等挑战，提出一种轻量级装甲目标毁伤状态评估方法——挤压-激励(squeeze-and-excitation, SE)与特征融合增强的YOLO模型。首先，在Focus模块中添加SE注意力机制，设计了SE-Focus特征提取模块，通过增强关键特征和减少信息冗余来提升模型在复杂环境下的适应性和检测效果；其次，融合加权跨尺度双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)的多尺度特征融合优势与深度可分离卷积(depthwise separable convolution, DSConv)的高效计算特性，在保留BiFPN的优异跨尺度特征交互能力的同时，借助DSConv的特性降低模型复杂度与运算成本；最后，引入SIoU损失函数，增强模型的鲁棒性及训练稳定性。在装甲目标毁伤坦克数据集上的实验结果表明，参数量不变的情况下，所提模型相比原模型mAP50提高1.8个百分点，召回率提高1.9个百分点，mAP50-95提高1.7个百分点，验证了改进策略的有效性。
在法律人工智能领域，刑期预测任务面临准确率提升缓慢和模型可解释性不足的双重挑战。为解决上述问题，提出一种融合思维链推理与类案分析的刑期预测方法，旨在模拟司法实践中定性与定量结合的量刑思维方式。该方法构建了一个三阶段推理框架：第一阶段，依据法条确定量刑起点区间；第二阶段，结合犯罪事实特征推导出基准刑范围；第三阶段，引入时空维度的类案对比，实现结果的精细化微调。在各阶段的方法中引入one-shot思维链推理机制，显式提取并对比法条与案例的关键特征，从而实现推理路径的透明化与可解释化。实验结果表明，所提方法在公开法律数据集上取得了显著的性能提升，验证了其有效性与实用性。
为了解决图像语义分割任务中分割不连续、误分割、物体边缘分割困难等问题，提出一种融合全卷积网络(fully convolutional network, FCN)和高效注意力机制(efficient channel attention, ECA)的FE-CCNN语义分割算法。首先，该算法采用ResNet50作为FCN模型的骨干网络，用于图像特征的提取。其次，使用连续耦合神经网络(continuous-coupled neural network, CCNN)模型提升特征提取能力，再通过ECA注意力机制对特征通道进行加权处理。最后，将特征图上采样至原图尺寸并输出分割结果。所提算法在PASCAL＿VOC2012数据集和CamVid数据集上进行了实验，其像素精度分别达到了93.5%和89.7%,平均IoU分别达到了71.2%和70.2%,均优于其他对比算法。此外，消融实验进一步验证了FE-CCNN算法在图像语义分割任务中的有效性。
准确的燃气预测可以有效调整供应，减少不必要的能源消耗。通过分析发现，城市和居民的天然气负荷受多种因素影响，包括气温、供暖条件、天气状况、风力、空气质量、假期等。针对现有天然气负荷预测方法多局限于单一预测周期和单一用户类型的问题，提出一种基于XGBoost-FOA-LSTM的周负荷预测方法。将XGBoost的预测结果作为LSTM滚动预测的新影响因素，用于预测不同用户在不同影响因素下、不同时期的负荷。验证结果表明，所提模型在城市和居民数据滚动日预测中的误差分别为3.65%和6.16%,其均方根误差和平均绝对误差均优于单一LSTM模型，且进一步证明了城市日负荷数据受供暖条件影响显著。
基于阿基米德copula函数定义复模糊数的代数运算，提出阿基米德copula复模糊加权算术平均算子和加权几何平均算子，这些算子不仅满足封闭性，还兼具幂等性、单调性、有界性等。针对属性权重未知情形，利用熵权法计算权重，提出多属性群决策方法。该方法结合了复模糊数、copula函数、聚合算子以及信息熵，可以处理具有不确定性的综合评价问题。通过太阳能发电厂选址实例说明该方法的可行性，并用copula函数的生成元和参数对结果的影响说明其灵活性。此外，通过与现有方法的对比分析，验证所提方法的有效性与可靠性。