多标记序决策系统中基于局部最优粒度的规则获取

多粒度是当前粒计算研究的一个重要方面.在实践中,人们往往选择比较合适的粒度层次来解决问题.作为信息系统的一种特殊情况,多粒度决策系统是经常使用数据表示形式.在这样的系统中,对象可以在属性的不同粒度层次上取不同的观测值.实际使用时,常常遇到在数据属性上需要比较大小,即属性带有序关系.序关系分析是多指标决策的重要内容,而粗糙集是一种处理序关系有效方法.围绕多标记序决策系统的知识获取问题来开展研究,首先,介绍了多标记序决策系统的概念;然后,在协调的多标记序决策系统中定义了最优粒度和局部最优粒度,并介绍了基于局部最优粒度的属性约简和规则获取方法;最后,在不协调的多标记序决策系统中引入了广义决策,定义了广义最优粒度和广义局部最优粒度,并给出了基于广义局部最优粒度的属性约简和规则获取方法.     

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

基于风险最小化的多粒度三支决策模型

为减小传统的二支决策中直接接受或拒绝决策带来的决策风险,分析问题决策的多粒度空间,研究了基于风险最小化的多粒度三支决策模型.在三支决策风险代价分析基础上,为寻求最优的粒度空间,结合不同属性特征在粒度空间中具有不同决策权重的特点,以粒化重要度和粒化决策权重为启发式信息,从多个不同的粒度层次出发,寻求风险最小的决策行动.最后针对不承诺选项中一些急需决策的现实问题,给出了基于风险控制的二支决策转化方法,并进行了具体的实例应用.     

多标记决策表的最优粒度选择

针对多标记决策分类中的粒度选择问题,提出了基于决策表的全局最优粒度选择方法和基于对象的局部最优粒度选择方法.首先基于多个粒度层次分析了多标记决策表的粒度划分,引入了多粒度多标记决策表的粒化粗糙度度量方法;然后针对协调决策表和不协调决策表讨论了通用的决策表最优粒度选择方法;最后,针对全局最优粒度选择不能使每个对象都达到最优粒度的局限性,以及不协调决策表中有些对象关于决策标记分类的不确定性问题,讨论了对象的局部最优粒度选择方法,并结合实例验证了该方法的有效性.     

具有多尺度决策的信息系统的最优全局剪枝选择

作为人工智能领域的一个重要方向，粒计算在数据挖掘和知识发现方面的研究呈现较大的优势.针对具有多尺度决策的信息系统的知识获取问题，利用粒度树与剪枝来研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍了粒度树与剪枝的概念，每个属性和决策都有一个粒度树，每个粒度树都有许多不同的局部剪枝，代表特定属性下的尺度选择.不同属性和决策的一个局部剪枝组合形成全局剪枝，从而产生一个混合尺度决策表.其次，给出具有多尺度决策的信息系统基于粒度树与剪枝的最优全局剪枝选择的概念.最后将全局剪枝选择与最优尺度选择进行比较研究，还设计了一个算法来验证该方法的有效性.     

协调的决策多尺度不完备信息系统的最优尺度选择

粒计算模拟人类思考模式,它以粒为基本计算单位,以建立大规模复杂数据和信息处理的有效计算模型为目标,是知识表示和数据挖掘的一个重要方法.针对决策属性具有多尺度的不完备数据集的知识获取问题,首先,提出了决策属性具有多尺度的广义不完备多尺度信息系统的最优尺度选择的概念,阐明了尺度选择全体构成了一个完备格;其次,给出了在不同尺度选择下信息粒的表示及其相互关系;最后,讨论了协调的决策多尺度不完备信息系统的最优尺度选择问题,并用示例解释最优尺度选择的计算.     

基于决策属性粒度树提取决策规则

粒计算通过粒的形成、粒的转移、粒的合成与分解等手段有效地解决问题.利用属性粒度树,将粒计算与决策形式背景的规则提取理论相结合.首先将决策属性进行粒化,给出多粒度决策形式背景的定义;其次研究了粒化前后决策形式背景协调性的关系;最后在假设粒化前后决策形式背景协调的前提下,研究了粒化前后决策规则之间的关系.     

多粒度层次序贯三支决策模型研究

现有的知识获取算法所挖掘出的规则太多,不易理解;规则描述太过具体,容易造成过拟合。为此,本文提出了多粒度层次序贯三支决策模型。首先引入概念层次树将目标概念泛化,构建多层次决策表,并设计了多粒度层次序贯三支决策模型,从多视角、多层次计算3个概率区域并获取相应的泛化层次决策规则。最后,通过实验证明了模型的有效性。本模型为知识获取提供了新的视角并丰富了多粒度三支决策的研究。     

基于属性粒度研究决策形式背景的规则提取理论

粒计算作为研究热点之一, 使得用多角度、多层次的方法研究问题变为可能。将粒计算引入决策形式背景, 将会获得更为精确的决策规则。从属性粒度树的角度出发, 首先定义了多粒度决策形式背景,其次研究了粒化前后协调性之间的关系,最后给出了粒化前后多粒度决策形式背景上的规则之间的关系。     

访问控制系统中客体粒度决策方法研究

如何选择权限的客体粒度是访问控制系统设计中的一个基本问题,然而目前在信息安全需求分析中,访问权限客体粒度的选择主要基于信息安全的一些原则和信息安全工程师的经验,缺少自动化的辅助工具,存在权限客体粒度值不可选择、灵活性差、权限粒度与系统需求不匹配的风险.基于多粒度决策系统理论,提出了一种访问控制系统中客体粒度决策模型(Object Granularity Decision Model in Access Control,OGDM),给出了访问权限的客体粒度值选取的度量标准和度量方法,也给出了权限客体最优粒度的选择算法.案例分析表明,OGDM的灵活性较高,方便选取最优客体粒度,为信息安全需求分析中的权限客体粒度选择工作提供了一种自动化的辅助决策算法.     

多粒度粗糙集数据分析研究的回顾与展望

粒计算是知识表示和数据挖掘的一个基本问题。粗糙集理论是知识获取的一个典型粒计算模型。在传统粗糙集数据分析中,信息系统中每一个对象在每一个属性上只能取唯一的值。在实际生活数据中,根据不同的粒度或者尺度,对象在同一属性上可以取不同粒度的值。该文介绍目前流行的三类基于粗糙集的多粒度数据处理模型,即多粒化粗糙集模型、多粒度邻域粗糙集模型、多尺度信息系统的粗糙集数据分析模型,回顾这三类多粒度粗糙集数据分析模型的研究进展及主要研究内容,并提出若干研究问题。     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

一种基于粒计算的知识隐藏方法

对数据中蕴涵的敏感知识的隐藏与保护是私有保护数据挖掘中重要一个研究课题。粒计算具有在不同的粒度层次上进行问题求解的能力。本文讨论了基于粗糙集粒计算模型的数据中知识隐藏与保护方法。首先,介绍了不完备信息系统下的相容关系、相容信息粒和信息粒度;其次,提出基于粒计算的知识隐藏与保护方法;最后,通过具体实例和在真实数据集上的测试表明了所提出方法的可行性。     

基于相容粒度空间模型的图像纹理识别

信息粒广泛存在于现实世界中,是对现实的抽象.信息粒化旨在建立基于外部世界的有效的并以用户为中心的概念,同时简化人们对物理世界和虚拟世界的认识.使用信息粒进行计算是粒度计算的基本思想,在问题描述和求解中都具有重要的意义.主要研究一种新的粒度计算模型-相容粒度空间模型在图像纹理识别中的应用.该模型基于这样的思想,即人类具有根据具体的任务特性把相关数据和知识泛化或者特化成不同程度、不同大小的粒的能力,并进一步根据这些粒和粒之间的关系进行问题求解的能力.通过在多个数据集上和10种其他图像纹理识别算法的比较实验表明,该方法在图像纹理识别上具有良好的应用效果.     

基于多粒度的多源数据知识获取

多粒度认知能力是人类分析复杂数据的一种常用策略。作为复杂数据类型之一的多源数据,因其数据源头多而使得数据分析变得复杂。受多粒度思想的启发,以多源信息系统为数据基础,基于悲观的决策策略,提出了多源划分约简集的定义。讨论了多源划分约简集与划分约简集之间的关系,并给出了相应的属性特征的判别方法。最后,针对多源决策信息系统,基于乐观的决策策略,提出了多源决策规则。借鉴多粒度模型,从一个新角度所提出的多源数据分析方式进一步丰富了知识获取的方法。     

基于变粒度反馈认知的全景图像太阳方位研究

文章采用改进的多尺度小波变换方法,获取太阳光斑不同尺度下的各类特征信息,并结合人类认知机理,构建了多类训练样本的不确定信息认知对象的仿真反馈认知智能机制与计算模型。通过太阳光斑的认知智能决策系统以及太阳光斑认知误差的定义,给出了一种待认知光斑不确定认知结果评价规则和相似光斑的变粒度反馈对比决策系统,准确获取了太阳光斑方位坐标以达到实际应用中快速性和准确性的平衡。     

基于多粒度理论的不完备决策规则获取

将多粒度理论引入不完备决策系统中,针对其不完备性,结合非对称相似关系提出基于相似关系的不完备多粒度粗糙集模型,并讨论该模型的性质。随后重点讨论基于相似关系的不完备多粒度粗糙集模型中属性约简和决策规则获取的问题,将多粒度理论和近似分布约简相结合,提出了不完备多粒度近似分布约简,获得所有的最简确定决策规则和最简可能决策规则。最后通过实例分析,发现使用多粒度近似分布约简与规则获取方法比原有的单粒度近似分布约简与决策获取方法更合理有效。     

粗糙集的动态粒度及应用

经典粗糙集理论把元素与分类的关联看成不变的,不便于论域上动态数据的研究,而动态粒度可以从不同角度或层次来分析数据,从而弥补经典粗糙集过于简一的计算机制.在经典粗糙集的基础上结合动态粒度的特点,给出了粗糙集、粒计算、动态粒度和影响度的概念,提出了一种粗糙集的动态粒度算法,并给出其应用.     

基于多层次相容粒度的图像分类

通过图像块的局部特征生成图像特征的空间分布信息和层次信息,提出了基于相容粒度空间的图像特征分层分类方法.该方法体现了基于粒计算从粗到细对图像进行分类的原理;实验测试说明了所提出方法有效.     

一种基于粒度的规则挖掘方法

利用知识的粒度,提出了一种新的规则挖掘方法.首先利用粗糙集中判断属性重要性的尺度,获取一个属性,由此属性形成对域的粒度,并对粒度中的每一个粒进行同样操作,直至所有粒的决策属性值唯一为止.算法分析与实验对比说明,该方法是有效可靠的.