一种可伸缩的粒计算知识获取方法

粒计算是一种新的智能信息处理理论,它很大程度上模拟了人脑认识和解决问题的过程.通过对信息表分层粒化模型的研究,引入了粒分布链表的概念来生成粒子,并改进了一个粒计算算法.改进算法使用数据库技术对原始数据集进行粒化来生成粒分布链表,能够直接处理海量数据集,同时不影响原算法的有效性.通过试验测试了该方法的有效性及可伸缩性.     

信息系统中粒计算模型及其属性约简方法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,目前在国际上逐步得到了人工智能有关研究人员的重视。模糊粒度模型、粗糙集粒度模型、邻域系统下的粒计算模型、商空间模型、相容粒度空间模型是目前几种常用的粒计算模型。基于粗糙集理论的粒度模型,通过决策信息系统的粒子空间中各粒子的推理,给出了决策信息系统中核属性计算方法;在此基础上,提出了决策信息系统属性约简的计算方法;通过实例验证了该方法的有效性。     

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.     

一种全连接粒神经网络分类方法

全连接神经网络需要大量的数据支持，才能训练好一个分类网络，往往现实中没有提供大量的数据供给网络训练。针对全连接神经网络缺少数据训练会使网络分类效果不佳这个问题，研究粒计算理论，从不同角度增广数据并进行粒化，提出一种全连接粒神经网络的分类方法。首先，该网络对所有样本进行单特征参照样本相似度粒化，形成参照样本粒子。同时引入邻域判别函数进行邻域粒化，形成邻域粒子。一个样本上的多个特征粒子构成一个粒向量，将构造的粒向量输入到该网络进行分类，进而提出了全连接粒神经网络。在多个UCI数据集上实验，用全连接粒神经网络和不同的分类算法进行比较，其结果表明了所提出的全连接粒神经网络分类方法的正确性与有效性。     

粒集理论:粒计算的新模型

在已有的有关粒计算研究成果的基础上,表述了信息的粒化、层次化和动态性原理,并综合了粒的表示形 式后,提出了粒集的概念,确认了粒的二元组的表示形式#同时借用统一集的形式对粒集进行了描述,分析了统一 集与粒集的异同,给出了与粒集相关的一些概念,讨论了用粒集形式来表达其他各种各样的集合,诸如经典集合、 模糊集合、可拓集合、Vague集合、粗糙集合等后,又讨论并表示了粒运算和粒集运算,最后给出了粒集理论的初步 应用框架。粒集理论为粒计算提供很好的理论基础，从而使粒计算确立自己独立的研究领域。     

粒计算在决策支持中的应用

阐述了粒计算理论与技术,提出了基于粒计算的决策支持建模,说明了粒计算与数据挖掘的关系,介绍了粒计算在决策支持中的应用.     

基于粒计算的信息系统规则提取方法

根据关系的粒矩阵表示和矩阵运算简便直观的特点,计算条件属性集的粒关系包含度矩阵,并在该矩阵中获得满足给定阈值的决策规则集合;在保持该集合中元素个数不变的前提下对决策信息系统进行属性约简,并在约简的属性集上提取具有更高泛化能力的决策规则.理论证明和实例分析检验了该方法的可行性和有效性.     

基于信息表的粒子计算研究

使用信息表可以开发简单、具体的粒子计算模型,粒子计算提供了用于问题解决和信息处理的通用方法.通过信息表描述决策逻辑语言及粒子计算,给出具体实例并进行分析.     

基于粒集的概念粒系统

在作者提出的粒计算新模型──粒集理论的基础上,提出了粒系统、概念粒系统和粒概念等概念,并对它们分别进行了描述,其中粒系统的描述是五元组形式,即(U,D,L,H,J).当约束J的形式为一种特殊形式,即为概念中内涵与外延间反变关系的数学描述时,(U,D,L,H,J)就是概念粒系统.由此给出了概念粒系统的一些基本数学性质,证明了全体粒概念构成一个完备格──粒概念格,同时初步探讨了形式背景与概念粒系统之间的关系,从而进一步扩充了粒集理论的内容,完善了粒集理论.     

Dominance-based rough set approach as a paradigm of knowledge discovery and granular computing

Dominance-based rough set approach (DRSA) permits representation and analysis of all phenomena involving monotonicity relationship between some measures or perceptions. DRSA has also some merits within granular computing, as it extends the paradigm of granular computing to ordered data, specifies a syntax and modality of information granules which are appropriate for dealing with ordered data, and enables computing with words and reasoning about ordered data. Granular computing with ordered data is a very general paradigm, because other modalities of information constraints, such as veristic, possibilistic and probabilistic modalities, have also to deal with ordered value sets (with qualifiers relative to grades of truth, possibility and probability), which gives DRSA a large area of applications.     

Dominance-based rough set approach as a paradigm of knowledge discovery and granular computing

Dominance-based rough set approach(DRSA) permits representation and analysis of all phenomena involving monotonicity relationship between some measures or perceptions.DRSA has also some merits within granular computing,as it extends the paradigm of granular computing to ordered data,specifies a syntax and modality of information granules which are appropriate for dealing with ordered data,and enables computing with words and reasoning about ordered data.Granular computing with ordered data is a very general...     

基于粗糙集理论的数据挖掘模型

提出了一种基于粗糙集理论的数据挖掘模型,以利于信息不完备情况下的推理和决策问题的解决和研究。该模型从已知数据的初始决策系统出发,建立一系列的不同简化层次的子系统,然后推导出各个子系统的规则集,其中每条规则都有相应的置信度。在应用模型进行推理和决策分析时,用给定对象的信息与模型中相应节点的规则进行匹配,然后选用某种评判算法得出结论。给出了一个简单的例子来说明如何建立和应用这种数据挖掘模型。这样的模型可以很方便地根据给定的信息,在最符合的子系统上得出尽可能好的结论。     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

Pessimistic Rough Decision

<正>With granular computing point of view,this paper first presents a novel rough set model with a multigranulation view,called pessimistic rough decision,where set approximations are defined through using consistent granules among multiple granular spaces on the universe.Then,we investigate several important properties of the pessimistic rough decision model.With introduction of the rough set model,we have developed two types of multigranulation rough sets(MGRS):optimistic rough decision and pessimistic rough decision. These multigranulation rough set models provide a kind of effective approach for problem solving in the context of multi granulations.     

基于模糊粗糙集与模糊推理的作战指挥方式决策分析

依据指挥权限集中程度,指挥方式可分为集中指挥和分散指挥两种形式.本文探讨了基于模糊粗糙集与模糊推理的指挥方式决策分析新方法.首先,分析了作战指挥方式决策的影响因素,即指挥控制手段和情报保障程度;在此基础上,给出了基于模糊粗糙集的作战指挥方式的一种知识发现方法;然后,通过获取的模糊推理规则,运用多输入多重Mamdani模糊推理算法获得量化的指挥方式决策结论;最后,通过在MATLAB7.0模糊逻辑工具箱中构建的模糊推理仿真系统进行验证推演,给出了三种类型的指挥方式决策结论,与军事专家的经验决策相符合,该系统可纳入到作战指挥决策支持系统中.     

基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。     

基于区间证据推理的多属性决策方法

针对多属性决策过程中出现属性信息的评估等级以及评估等级信任度不确定问题,提出一种区间证据推理方法。首先,采用区间评估等级以及区间评估等级信任度的形式表达评估信息的不确定性。其次,通过转换公式统一各属性评估的信任识别框架。然后,采用区间证据推理的集成公式集结区间不确定信息,处理评估等级、评估等级信任度和定量属性评估的区间不确定信息的集结问题。最后,采用期望效用理论对方案综合排序。为验证该方法的有效性,以某生鲜电商选择生鲜供应商为例,运用所提方法对区间形式的不确定评估信息进行处理,结果表明,所提方法能够处理属性评估信息的评估等级以及评估等级信任度不确定问题。     

粒计算未来发展方向探讨

互联网时代大规模复杂信息的涌现,带来处理（计算）复杂性的高度增加,粒计算在解决这个问题上应该有所贡献。复杂信息具有复杂的结构,并具有显著的不确定性。因此,粒计算未来的发展,既要考虑不确定性的处理,又要分析处理信息的结构,所以只有通过将有效的结构分析与不确定性方法以及多粒度计算结合起来,才能解决网络时代提出的信息处理任务。