横向合成背景的面向对象概念格的生成

针对多形式背景合成的概念格生成,提出了一种多背景横向合成的面向对象概念格的生成方法。首先利用各个子形式背景中的每个概念的外延通过相关运算得到合成背景的面向对象概念格的外延集,然后将得到的外延集通过近似算子运算得到合成背景的内涵,并进一步得到合成背景的概念格。用理论证明该方法的有效性和完备性,并通过实验表明该方法时间效率较好。     

合成背景的面向属性概念格生成

目的研究合成背景下面向属性概念格的生成。方法面向属性概念格理论。结果由两个简单形式背景的面向属性概念格获得了合成形式背景的面向属性概念理论。结论推广了已知结果,易于获得复杂形式背景的面向属性概念格,从而更有利于知识发现。     

面向对象概念格上的近似概念及概念认知

针对概念认知问题，该文通过形式背景中任意对象(属性)集在面向对象(属性)概念格中形成的下近似概念外延(内涵)和上近似概念外延(内涵),探讨了面向对象(属性)概念、面向对象(属性)下近似概念、面向对象(属性)上近似概念之间的关系，得到在面向对象(属性)概念格中生成下、上近似概念的一种有效方法。对于面向对象概念格中任一概念，由其外延形成的下近似概念和上近似概念是它本身；对于面向属性概念格中任一概念，由其内涵形成的下近似概念和上近似概念也是它本身。同时通过举例说明。另外，将近似概念应用于面向对象(属性)概念格中进行概念认知并给出相应算法。对于给定的任一对象(属性)集线索，通过其形成的近似集去逼近该线索，得到1个精确概念或者2个近似概念，以进行概念认知。同时给出概念学习精度来衡量概念认知的准确性。     

一种基于并不可约元的建格新方法

目的研究形式背景的建格问题。方法由形式背景中对象集的每一个等价类所拥有的属性子集之间的包含关系出发构建Hasse图。结果由此Hasse图可直接得到形式背景的概念格和面向属性概念格的并稠密子集。结论提出的方法能较快速地找到概念格和面向属性概念格的并稠密子集,进一步利用并不可约元的性质得到全部的概念。     

基于基概念的面向属性概念格建格方法

目的基于基概念构造面向属性概念格。方法通过每个对象对应的面向属性概念格的基概念,利用其外延与内涵逐层寻找面向属性概念。结果利用基概念找到全部面向属性概念,从而得到完整的面向属性概念格。结论利用基概念可以逐层获得所有面向属性概念,也可以解决其他类型概念格的构造问题。     

基于边缘概念的概念格生成算法研究

提出了一种新的基于边缘概念的概念格生成算法.通过已求出的概念内涵及外延的交集和并集运算,分层构造概念格.和已有概念格的构造算法不同的是,本算法在求出边缘概念后就不再依赖于形式背景.该算法同时解决了跨层概念间的关系.最后结合实例说明了该算法的实现过程和有效性.     

基于布尔矩阵的保持二元关系不变的概念约简

通过布尔矩阵运算,研究保持二元关系不变的概念特征和概念约简问题。首先,用布尔矩阵表示形式背景,用关系矩阵生成对象\属性关系矩阵,并研究其相关性质。其次,通过矩阵运算获取概念约简中三种不同概念的概念特征。最后,用矩阵运算实现概念区间集的极小运算,简化辨识矩阵,给出概念约简的求解方法,与已有的形式背景的概念约简方法进行比较,该矩阵算法简单且时间复杂度更低。     

形式模糊背景中单边模糊概念格的属性约简

形式概念分析是一种有效的知识表示和知识发现的方法，形式背景和形式概念是形式概念分析中的两个基本概念.形式背景描述了对象集和属性集间的一个二元经典关系，隐含其中的知识通过概念格的形式表示出来.形式模糊背景是形式背景在模糊集理论下的自然推广，建立在其上的模糊概念格在实际应用中面临许多困难，为此，多种形式的模糊概念格的改进形式应运而生.单边模糊概念格就是一种具有较好应用前景的改进模糊概念格.主要研究基于经典-模糊概念格的形式模糊背景的属性约简问题，这里属性约简的概念具有保持相应的概念格整体结构不变的含义.关于属性约简，给出了多种形式的属性约简判定定理，针对属性约简，将所有属性分为三类，探究了不同类型属性的特征刻画.最后，通过引入模糊概念间的辨识属性集的概念，得到了基于辨识属性矩阵的属性约简方法，并通过示例验证了属性约简方法的可行性.     

基于n阶算子的面向对象概念格压缩

研究面向对象概念格的简化问题。针对给定的形式背景,引入对象集和属性集上的n阶算子,产生n阶面向对象概念,并构建Hasse图。从而通过调整n值大小,可控制面向对象概念格的压缩格节点的个数,实现对面向对象概念格的动态压缩。提出的基于n阶算子的面向对象概念格压缩方法,可使压缩后的概念外延为原概念外延的交,概念内涵为原概念内涵的并,从而达到简化知识库的目的。     

基于属性概念的决策形式背景协调性研究

决策形式背景是在形式背景的基础上通过增加决策属性而得到的,相应的可生成条件格和决策格。基于这两个格中属性概念外延之间的关系提出属性粒协调决策形式背景这一概念,并从属性概念的角度给出决策形式背景现有的强协调性、弱协调性和协调性的新的描述方式,进一步解释属性粒协调决策形式背景与这三种决策形式背景之间的关系;最后,提出属性粒规则的概念,并给出以此为基础的规则获取方法。     

多粒度面向对象概念格的构造

目的研究多粒度面向对象概念格的构造。方法在单粒度面向对象概念格外延集上作并运算,得到多粒度面向对象概念的外延集,再运用下近似粒算子,得到多粒度面向对象概念的内涵集,进而构造多粒度面向对象概念格。结果给出了由单粒度面向对象概念格构造多粒度面向对象概念格的方法。结论多粒度面向对象概念格的提出进一步完善了概念格理论。     

基于条件属性蕴含的概念格构造及简化

基于三元背景研究三类概念格的构造和简化.首先,基于三元背景构造一个条件属性蕴含形式背景,该背景以三元背景属性集上的属性蕴含为对象,以三元背景的条件为属性.并针对条件属性蕴含形式背景给出形式概念的定义,构造相应的概念格.其次,由于条件属性蕴含形式背景中对象的个数随着三元背景中属性个数的增加呈指数级增长,这使得条件属性蕴含形式背景往往是一个比较大的数据表,因此,对条件属性蕴含形式背景进行对象约简,将原来的对象集替换为单个条件下形式背景的极小属性蕴含构成的集合.该对象约简方法不仅在很大程度上简化了条件属性蕴含形式背景,而且简化后的形式背景对应的概念格与原来的概念格同构.最后,在条件属性蕴含形式背景上引入了可能性算子和必然性算子,在此基础上定义了对象定向概念格和属性定向概念格.     

基于概念背景的概念格启发式属性约简

提出了概念格的概念背景,在保持概念格中各概念外延不变的情况下,即保持概念背景的论域划分不变的情况下对概念格的属性集进行了约简,提出了概念格启发式属性约简算法,最后通过实例表明了该约简算法的可行性与有效性.     

基于包含度理论的面向属性(对象)概念格构造

目的将包含度理论用于形式背景的研究中。方法根据包含度理论定义了一对基于形式背景的算子。结果利用算子可以构造面向对象概念格和面向属性概念格。结论利用包含度构造了面向对象概念格和面向属性概念格。     

基于矩阵列秩属性优先的概念格算法

基于矩阵列秩的理论以及概念对并运算封闭的特征,提出了一种基于矩阵列秩属性优先的概念格的生成算法.首先,将形式概念分析中数据的形式背景看成一个0-1矩阵,利用矩阵的秩定义出概念的秩.其次,通过概念的秩的定义和概念对并运算封闭的特征,对概念按秩进行分层提取.通过对形式概念分析中数据的形式背景与矩阵的某些性质之间的联系的探索以及实例的验证,表明该算法行之有效.     

基于概念格的数据挖掘方法研究

分析了概念格与关联规则之间的关系,提出了将频繁项集及其支持度存储在概念格上,然后在创建好的概念格上提取关联规则的方法,概念格的每个节点本质上是一个最大项目集,非常有利于关联规则的提取。然而目前对于概念格的研究,一般都假定由属性集所组成的概念格的内涵同等重要,而在现实数据库中,组成内涵的属性重要性往往是不同的,因此,内涵并非同等重要。为了充分利用概念格实现关联规则提取,提出了一种新的概念格结构:加权概念格,并给出其渐进式构造算法及基于该格结构上的关联规则提取算法。     

多区间概念格的动态横向合并算法

为准确高效的完成数据的准备工作,提出在属性集不同、对象集相同形式背景下多区间概念格的动态横向合并算法.首先,为保证格结构的完整性,对区间概念格的渐进式生成算法进行改进,将区间概念分为存在概念、冗余概念和空概念;其次,结合区间概念格自身特点,给出区间概念格一致性的概念以及格结构横向合并的充要条件;再次,将合并后的区间概念分情况进行讨论,并给出相应的横向合并原理;最后应用层序遍历的方法扫描格结构,提出横向合并效率.实例表明,该算法的可行性和高效性.     

直觉模糊概念格的属性约简

研究直觉模糊形式背景下的概念格属性约简.利用直觉模糊逻辑算子给出了直觉模糊概念格的构造,通过直觉模糊集的水平截集定义了可辨识属性矩阵,给出了直觉模糊概念格的属性约简方法.     

面向属性(对象)概念格基于直观图的保并(交)约简

属性约简是形式概念分析中的一个重要问题,文中主要研究面向属性概念格和面向对象概念格的保持并(交)不可约元外延不变的约简。给出面向属性概念格和面向对象概念格的保并约简和保交约简的定义;研究了这两个格的保并约简和保交约简之间的关系;利用形式背景直观图,给出获取这两种格的保并约简和保交约简的理论与方法。     

剩余格中的Fuzzy(P)滤子的结构

在剩余格中引入生成Fuzzy(P)滤子的概念并给出了它的结构。证明了剩余格中的Fuzzy(P)滤子之集构成完备的分配格,并在全体Fuzzy(P)滤子之集上引入运算""和"→",证明了剩余格中的部分Fuzzy(P)滤子之集添入特殊的零元得到的集合带上这两个运算构成剩余格。