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.     

概念格并行构造算法研究

对已有并行算法进行详细对比,提出一种基于闭包系统划分的概念格并行构造算法--Para_Prun算法,它将概念集合看作初始闭包系统,迭代生成相互独立的多个子闭包系统,然后在每个子闭包系统中独立生成概念,有效提高了运算效率.     

基于DirectX的概念格三维重构研究

介绍了概念格图形研究的现状,分析了目前常用的分层图. 提出通过遍历概念格的各节点查看节点间的偏序关系来决定节点分布的概念格三维布局算法,并以此建立适当的Mesh对象来构造基于DirectX的三维概念格图形. 同时还描述了一种概念格三维重构机制,较好地解决了复杂概念格的三维可视化问题.     

基于概念提升的概念格更新构造算法

概念格因其结构生动简洁地表明概念之间的泛化-例化关系,成为一种有效的数据挖掘工具.然而直接从形式背景中直接构造概念格的效率较低,为了提高概念格的构造效率,针对形式背景中的多个属性合并,给出了一种基于概念提升的概念格更新构造算法UCP.该算法充分利用了属性合并之前的概念格,仅对部分概念结点进行更新处理,从而提高了概念格的构造效率.最后,以恒星光谱数据作为形式背景,采用VC++6.0和Oracle9i为开发工具,实验验证了该算法的有效性.     

基于分布式概念格的序列模式挖掘

给出解决海量数据库序列模式的挖掘问题的算法.首先采用分布式概念格的思想对数据进行划分,根据子全概念生成相应的子形式背景,选择最优的算法对子形式背景上建格(即子格),所有子格建好后,再对子格进行序列模式的挖掘,合并后得到整个数据库的序列模式.     

基于n阶形式背景核的概念格重构

本文提出一种与传统算法不同的基于n阶形式背景核的概念格构造方法.n阶形式背景核是一类形式背景(具有n个属性)的最小完备子集,使得任意一个n阶形式背景必同构于它的某一个元素.形式背景核用于支持生成子形式背景的小概念格,经过重构小概念格得到最终的概念格.通过实现过程中的所有算法,开发出了一个软件系统IsoFCA.实验表明,在符合实际应用的情况下,基于n阶形式背景核的概念格构造方法优于Godin算法.     

实值形式背景下概念格的渐进式并行构造算法

经典的形式概念分析主要应用于属性值为布尔值的形式背景中,然而在很多实际应用领域,由于问题的复杂性,更多的形式背景中属性值为普通实值。这种实值虽然更为适合用来刻画实际问题的不确定性,但由于算法的复杂性大,当数据背景比较大时,传统意义上的算法并不能有效地解决概念的抽取问题。随着高性能并行技术的发展与成熟,并行计算机的成本与费用越来越低,通过适当的并行化手段,将其应用于形式概念分析领域可以显著提高算法的效率。文中基于实值形式背景,提出了一种构造实值概念格的渐进式算法,且通过对渐进式构造过程的分析,将算法并行化。通过数值实验对比了串行与并行算法的运算时间,给出了该算法并行化的加速效率。     

基于虚拟节点的概念格三维可视化布局算法

形式概念分析理论是一种研究属性和对象的数据挖掘方法.概念格作为形式概念分析理论中的核心数据结构,具有直观表达知识单元内在联系的作用,可以作为知识图谱可视化工具.针对传统三维可视化布局算法在概念格表示上,存在复杂概念格结构表示不清、图形不够美观的问题,提出了一种基于虚拟节点的概念格三维可视化布局算法,提升了概念格Hasse图图形的美观度.该算法通过添加虚拟节点对二维KK布局算法改进,并与传统分层算法中的分层函数相结合,有效解决了层内节点横向扩张过大及节点连线交叉过多表示不清晰的问题,使概念格结构变得明确、易读.为对Hasse图图形美观度进行定量度量,提出了一种以空间分布密度为依据的美观度度量指标.通过与传统三维布局算法中圆形分配算法在该指标上的对比分析,验证了该算法在概念格可视化布局方面对已有三维布局算法的优越性.     

一种从偏好数据库中学习CP-nets结构的并行算法

不同于传统的条件偏好网络(conditional preference networks,CP-nets)结构学习方法,本文提出一种基于MapReduce框架的相关系数并行算法。首先建立了偏好数据库上的相关系数评分函数,对候选父亲结构并行地进行"评分+搜索",随后基于序空间搜索得到各节点的局部最优,继而得到全局最优。同时指出,一个属性的父亲集是由属性之间冗余度小且偏好影响大的属性集所构成。实验结果表明,所提出的相关系数算法不仅能够快速有效地获取变量之间的因果关系,而且能求取出每个属性的可行父亲集,得到CP-nets的拓扑结构。     

关联规则挖掘的一种多剪枝概念格方法

多数据源上关联规则挖掘方法,由于各数据节点间相互通信的候选项集数目过于庞大或者挖掘过程需要对数据库进行多次扫描,导致挖掘算法效率不高。研究剪枝概念格(pruned con-cept laffice,PCL)中概念与频繁项集表示关系,定义剪枝格上的导出频繁项集,设计了一个利用多剪枝概念格从多数据源上挖掘近似所有关联规则的算法UMPCL(union algorithm of multiplepruned concept lattice)。利用一个频繁概念表示一些频繁项集以减少挖掘过程中产生的侯选项集数,使用与全局支持度相等的局部支持度对各子概念格进行剪枝,最后融合、剪枝各子剪枝格并提取全局关联规则。理论分析和实验验证表明该算法是有效的。     

基于对象扩展的概念格批处理构造算法

大多数概念格批处理构造算法，由于产生大量不满足外延最大扩展性的结点即冗余结点，导致相同内涵的结点重复生成，降低了概念格的构造效率。给出了一种新的基于对象扩展的概念格批处理构造算法（OEBCA），该算法对每层新生成的结点进行对象扩展，使其满足外延最大扩展性，相同内涵的结点只生成一次，从而避免了冗余结点的产生，提高了概念格的构造效率。实验结果表明，该算法是正确的和有效的。     

大数据时代下概念格的多粒度构造研究

概念格被认为是数据分析的有力工具,在诸多领域得到了研究和应用。随着大数据时代的发展需要,要求概念格的完整性,概念格的节点大小随着形式背景大小的增加呈指数增长。鉴于大数据时代构思概念格所面临的挑战,该文将粒计算融于概念格的研究中,在概念格的多粒度计算模型的基础上,通过概念格多粒度构造的渐进式算法,对概念格的概念进行分层次构造。同时,分析概念格多粒度构造与存储模型的验证及应用,来分析概念格构造的问题。     

形式背景下概念格的一种建格算法

在形式背景下的概念分析理论中,概念格是其核心的数据结构之一,在数据检索和数据挖掘中得到广泛应用。概念格的建立是这些应用的基本前提,建立概念格的过程也是概念聚类的过程。文中通过对形式背景中的对象和属性之间的二元关系简化为布尔矩阵,并对布尔矩阵进行算法处理,着重分析了求外延的算法及计算机语言的实现,得到所有概念的外延,而外延所形成的格是与对应的概念格同构的。     

融合概念格约简的中文领域本体学习方法

在基于形式概念分析的中文领域本体学习中, 为提高概念格构建效率, 将概念格约简理论应用于概念格构建中。首先对基于语义依存分析获取的形式背景进行对象和属性约简, 然后基于约简的形式背景采用Godin算法构造概念格, 最后根据修复定理修复约简概念格, 得到完整的概念格。通过有关对萝藦科植物的文本学习, 得到一个萝藦科植物领域本体。实验结果表明, 引入概念格约简理论, 概念格的构建效率提高70%, 进而提高了领域本体构建的效率。     

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.     

PageRank算法的并行实现

针对当前大数据时代的背景,信息数据的海量化现象与日俱增,为了实现数据搜索的低成本、高效率,对Google搜索引擎的PageRank算法进行了综合性的研究分析,分别介绍了MapReduce框架和Hadoop实现平台,在此基础上,在Hadoop平台详细分析了基于MapReduce的PageRank算法的并行实现过程,以实现海量数据的并行处理,极大地提高了搜索引擎的性能.     

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.     

一种新型快速的直接随机优化算法

 针对常用优化算法求解时实时性较差且易陷于局部最优解的问题, 提出一种新型快速的直接随机优化算法(DROA). 该算法直接利用随机搜索过程寻找最优解, 减少了额外计算, 降低了计算复杂度; 其搜索过程分为全局搜索和局部搜索两个阶段, 各阶段选用不同的调节参数公式和搜索方式. 先将递增参数的3个随机优化模块串接构造全局优化子, 并将多个全局优化子并行搜索构造全局优化器以获得全局最优解; 再将多个局部优化模块串接在一起运行构造局部优化器使优化解更精确. 测试结果表明, 该方法快速高效, 优于目前的全局优化算法.