偏序集的完备化与形式概念分析

借用形式概念分析中构造粗糙概念的方法,给出偏序集的几种完备化构造.然后由偏序集诱导一个形式背景,讨论该形式背景下的粗糙概念与完备化的关系.最后得到本文给出的完备化与经典的Dedekind-MacNeille完备化同构的结论.     

模糊形式概念分析的相似度计算方法研究

形式概念分析是一类被广泛采用的聚类技术.现有基于形式概念分析的聚类方法无法处理模糊信息.研究了在已有的模糊概念分析方法基础上,对形式概念分析、模糊概念分析方法给出了严格的形式化定义,并利用模糊共轭圆,提出一种模糊形式概念分析的相似度计算方法.     

基于概念格的组织内部知识分布的综合评价

利用形式概念分析的理论和方法,提出了一种关于组织内部知识分布合理性的评价方法.在该方法中,首先依据组织内部知识分布的概念格提取评价项目集中蕴涵规则的支持度和可信度,然后利用关联函数对组织的知识分布进行评价.     

因素空间与形式概念分析及粗糙集的比较

为将因素空间理论与形式概念分析及粗糙集理论进行比较,采用了对比分析的方法.首先,围绕数据分析、知识表示和基于广义数据的规则提取等方面,详尽地介绍了因素分析的三个重要算法;其次,将因素分析法与形式概念分析及粗糙集方法进行了系统的比较.研究结果表明:因素空间理论作为知识表示的数学理论,要优于形式概念分析及粗糙集,是数据科学的重要理论基础.     

一种面向形式概念分析的语义相似度计算框架（英文）

为了计算形式概念分析的形式概念或概念格的语义相似度,利用描述逻辑概念作为形式背景的特征属性对形式概念分析的形式背景进行语义扩展,即利用领域本体(描述逻辑知识库)提出了形式背景的一种语义表示方法.在此基础上,基于形式背景的语义表示,利用描述逻辑推理(即本体推理)给出了一种面向形式概念分析的形式概念或概念格语义相似度计算框架,并且证明了实例化该架构所得到的语义相似度计算方法满足对称性和等价不变性等基本性质.     

三元概念分析综述

三元概念分析是形式概念分析的推广,也是人工智能领域较新的一个重要研究分支,涉及机器学习、数据挖掘和信息检索等。文中对三元概念分析的研究现状及发展趋势进行了梳理,着重介绍了三元概念分析现有的基本理论、方法及其应用,并阐述了与形式概念分析的联系,以及未来可以进一步研究的工作。     

基于形式概念分析探讨《伤寒论》中葱白止利功效的新发现

基于形式概念分析理论,研究以《伤寒论》为代表的中医经典古籍,得出白通汤与干姜附子汤具有内在相关性,进而探究得出葱白止利的机理,从而侧面印证了形式概念分析在大数据时代有着广阔的前景.可见将形式概念分析应用于中医体系的可视化数据挖掘,将为中医方药、方证、药证的新发现提供可靠的技术保证.     

一种面向形式概念分析的语义相似度计算框架

为了计算形式概念分析的形式概念或概念格的语义相似度,利用描述逻辑概念作为形式背景的特征属性对形式概念分析的形式背景进行语义扩展,即利用领域本体(描述逻辑知识库)提出了形式背景的一种语义表示方法．在此基础上,基于形式背景的语义表示,利用描述逻辑推理(即本体推理)给出了一种面向形式概念分析的形式概念或概念格语义相似度计算框架,并且证明了实例化该架构所得到的语义相似度计算方法满足对称性和等价不变性等基本性质．     

模糊形式概念分析与模糊概念格

针对在许多应用领域中,大多数信息都是复杂的、不确定的,而传统的形式概念分析不能表达这些模糊的、不确定的信息问题,介绍了将Zadeh的模糊数学理论与形式概念分析理论相结合所形成的模糊形式概念分析理论.给出并证明了在模糊形式背景下对象集合及属性集合的一些结论.建立了在模糊形式背景下的模糊概念格并证明了该模糊概念格仍然是一个完备格.最后用实例说明了这种模糊概念格的构造方法.     

形式概念分析及其应用进展

形式概念分析是一种数据挖掘工具,在机器学习,软件工程和信息获取等领域得到广泛应用。简要介绍了形式概念分析的基本概念,提出了具体的建格方法。     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

基于 Rough Set 的知识发现系统

ＲｏｕｇｈＳｅｔ理论是近年来出现的处理模糊和不确定性的数学工具，已广泛应用于人工智能的许多领域特别是ＫＤＤ领域。文章介绍了ＲｏｕｇｈＳｅｔ理论的基本思想，并着重讨论了几个基于ＲｏｕｇｈＳｅｔ理论的典型ＫＤＤ系统。     

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.     

粗糙集理论的研究现状与前景

介绍了粗糙集理论的基本概念及信息系统属性的简化和规则提取，阐述了粗糙集理论的有关应用和发展前景。     

基于包含度的模糊粗糙近似算子

1965年，L.A．zadeh提出了模糊集理论，1982年，波兰数学家Z．pawlak提出了粗糙集理论，将二结合而形成模糊粗糙集及粗糙模糊集．利用包含度的概念定义上模糊粗糙近似算子，下模糊粗糙近似算子，边界．并讨论它的性质．     

基于粗集理论的一种规则提取方法

介绍了粗集理论的基本概念,通过对现有基于粗集的最小规则提取算法的分析,发现其缺陷,提出了一种改进的基于粗糙集的规则提取方法,并用UCI数据库中的9个标准数据集从规则集的规则数目、规则集的平均规则长度、规则集的平均规则支持、规则集的预测精度等4个指标对改进的算法进行了测试和对比分析,实验表明了该算法的有效性.     

基于粗糙集理论的数据预处理

探讨数据挖掘过程中,数据预处理应用粗糙集理论进行属性和属性值约简的方法以及用计算机实现约简的算法.通过对医疗数据的预处理表明,利用粗糙集理论来进行数据预处理是一种十分有效的精简、求最小决策算法的有效方法.     

基于粗糙集面向属性的数据挖掘及改进

用粗糙集进行数据挖掘是近年来被采用的一种新的有效方法 ,本文针对传统粗糙集分类方法过于严格 ,对噪音过分敏感的缺点 ,提出了改进的粗糙集挖掘模式及相应面向属性的约简算法和实现步骤     

浅论智能信息分类处理中的数学基础问题

探讨了普通集合、模糊集合、可拓集、灰集、不确定集、粗集、Vague集及反演集合在智能信息分类处理中的适用范围     

基于粗糙集和自组织神经网络的聚类方法

自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜，然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论，选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法，较之传统的自组织神经网络聚类算法聚类结果更平均，死神经元更少，是一种良好的聚类算法。