基于弱监督对比学习的弱多标记特征选择

多标记特征选择已被广泛应用于医疗诊断、模式识别等领域，然而现实中的数据往往存在维数灾难以及标记大量缺失等问题，现有的弱多标记特征选择算法又普遍易受缺失标记和噪声的干扰，使算法模型难以准确地选择重要特征．针对上述问题，提出一种用于弱多标记数据集特征选择的弱监督对比学习方法，旨在缺失和含噪声标记数据集中选择优质特征，同时挖掘少量人工标注数据中潜在的类间对比模式．该方法包括三个步骤：首先，设计一种弱监督预训练策略，通过利用实例相似性以及稀疏学习方法获取每个类标记类属属性，用于恢复缺失标记；其次，引入对比学习策略来捕获少量有标记数据的对比模式来削弱噪声数据的影响；最后，选取10组多标记数据集以及四个评价指标进行实验.实验结果证明，与多个先进多标记特征选择算法相比，提出的方法分类性能更优．     

一类覆盖粗糙直觉模糊集模型的模糊粗糙度和粗糙熵

在覆盖粗糙直觉模糊集模型的基础上,将粗糙度和粗糙熵的概念引入到该模型中,研究直觉模糊集的不确定程度,讨论了该度量的相关性质,并通过两个例子证明了直觉模糊集的模糊粗糙度和粗糙熵随着该模型覆盖变细而单调减少。     

一种基于决策表约简的集覆盖问题的近似解法

集覆盖问题和决策信息表的约简问题分别是优化领域和信息处理领域重要的研究课题,但目前的研究大都针对这两个问题分别独立展开.通过分析集覆盖问题的解结构和决策信息表的布尔约简结构,将两者联系起来探讨.首先,给出一个集覆盖问题的布尔矩阵表示,并通过添加决策属性,对集覆盖中的集合进行分类,进一步诱导出一个以该布尔矩阵为条件属性值的决策信息表.其次,分析了决策表和集覆盖的辨识集之间的关系,证明了集覆盖问题的一个局部最优解恰好是该决策表的一个属性约简,即,求解集覆盖问题可等价地转化为求解决策表的属性约简问题.然后,利用决策表中的条件熵来度量集覆盖中一个集合在集族中的相对重要度,并构造了基于条件熵的集覆盖问题的近似算法.最后,运用实例验证了该算法的有效性和可行性,并将新算法与几个传统集覆盖算法进行了对比.实验结果表明,新算法在求得满意解上具有一定的优势.     

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.     

拟弹性空间注记

给出了弹性拟对基和可单点扩展拟对基的定义,证明了空间X是弹性空间当且仅当X具有弹性拟对基,并证明了空间X是预可度量化空间当且仅当X具有可单点扩展拟对基。