ทฤษฎีรัฟเซตเป็นคณิตศาสตร์แขนงใหม่ที่กำลังได้รับความสนใจ เนื่องจากสามารถประหยัดทรัพยากรในการคำนวณ ใช้เวลาน้อยกว่า รับขนาดในการคำนวณได้ใหญ่และวิเคราะห์ข้อมูลที่มีความไม่แน่นอนได้ เป็นผลให้ได้รับการยอมรับในวงการวิจัยและถูกนำไปประยุกต์ใช้งานอย่างแพร่หลาย ผู้วิจัยจึงบูรณาการความรู้จากคณิตศาสตร์แขนงต่าง ๆ เพื่อต่อยอดรัฟเซตดังนี้ 1. พิสูจน์หาขอบเขตรัฟเนตบนและล่างสำหรับเซตวิภัชนัยและสมบัติทางคณิตศาสตร์ที่เกี่ยวข้อง 2. คิดค้นปริพันธ์ใหม่ที่ชื่อ Capacity-based definite rough integral (DRI) พร้อม เสนอสมบัติทางคณิตศาสตร์ต่าง ๆ และทดลองประยุกต์ใช้ในปัญหาการคัดเลือกปัจจัยที่มีผลต่อ การสร้างกฎสำหรับพยากรณ์ พบว่า DRI สามารถคัดเลือกพร้อมบอกความสัมพันธ์ที่สำคัญได้ อย่างถูกต้อง และ 3. คิดค้นสัมประสิทธิ์และดีกรีของกราฟสายงานและกราฟสายงานผกผันบน พื้นฐานของรัฟเซตขึ้นใหม่ พร้อมทำการทดลองวิเคราะห์ข้อมูลและแปลผลลัพธ์ของกราฟสาย งาน ท้ายที่สุดยังได้เสนอเอนโทรปีของกราฟสายงานและเอนโทรปีที่เกี่ยวข้อง เพื่อใช้บอก คุณภาพของตัวแบบและความแม่นยำของแต่ละปัจจัยในกราฟสายงานได้ และยังได้คิดค้นการ แปลงกราฟสายงานเป็นต้นไม้การตัดสินใจขึ้นใหม่อย่างมีประสิทธิภาพ Rough set theory, a modern mathematical tool, has recently attracted researcher attention. Rough set theory can be viewed as a soft computing technique. Thus, less resources, computational costs and time are required, when compared to traditional data analysis techniques. It is also tolerant to uncertainty and large scale data. For these reasons, we propose to build new bridges between rough set theory and various branches of other disciplines as follows. (i) We establish several important properties and roughness bounds for fuzzy set operations. (ii) We invent a capacity-based definite rough integral (DRI) and prove it satisfies many natural properties. By experiment, the integral provides a means of measuring the relevance of functions representing features useful in the classification of sets of objects. (iii) Based on flow graph contexts, we define several fundamental measurements for rough sets. To illustrate, we apply these measures to analyze data successfully with supportive interpretations. Furthermore, we propose entropy measures of flow graphs, used to identify predictablilty and quality of a flow graph. More practically, we create an efficient new construction for decision trees from a flow graph, using our new information theoretic measure