基于属性粒度研究决策形式背景的规则提取理论

粒计算作为研究热点之一, 使得用多角度、多层次的方法研究问题变为可能。将粒计算引入决策形式背景, 将会获得更为精确的决策规则。从属性粒度树的角度出发, 首先定义了多粒度决策形式背景,其次研究了粒化前后协调性之间的关系,最后给出了粒化前后多粒度决策形式背景上的规则之间的关系。     

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.     

具有多尺度决策的信息系统的最优全局剪枝选择

作为人工智能领域的一个重要方向，粒计算在数据挖掘和知识发现方面的研究呈现较大的优势.针对具有多尺度决策的信息系统的知识获取问题，利用粒度树与剪枝来研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍了粒度树与剪枝的概念，每个属性和决策都有一个粒度树，每个粒度树都有许多不同的局部剪枝，代表特定属性下的尺度选择.不同属性和决策的一个局部剪枝组合形成全局剪枝，从而产生一个混合尺度决策表.其次，给出具有多尺度决策的信息系统基于粒度树与剪枝的最优全局剪枝选择的概念.最后将全局剪枝选择与最优尺度选择进行比较研究，还设计了一个算法来验证该方法的有效性.     

多粒度粗糙集数据分析研究的回顾与展望

粒计算是知识表示和数据挖掘的一个基本问题。粗糙集理论是知识获取的一个典型粒计算模型。在传统粗糙集数据分析中,信息系统中每一个对象在每一个属性上只能取唯一的值。在实际生活数据中,根据不同的粒度或者尺度,对象在同一属性上可以取不同粒度的值。该文介绍目前流行的三类基于粗糙集的多粒度数据处理模型,即多粒化粗糙集模型、多粒度邻域粗糙集模型、多尺度信息系统的粗糙集数据分析模型,回顾这三类多粒度粗糙集数据分析模型的研究进展及主要研究内容,并提出若干研究问题。     

基于属性粒化的近似概念分析及规则提取

将属性粒化思想引入到不完备形式概念分析之中。首先,借助于粒度树和截集,研究了不同粒度下近似概念之间的内在联系,其次,研究了粒化前后不完备决策形式背景中近似决策规则之间的关系,最后,在不完备决策形式背景中引入了三种协调性,并研究了粒化前后协调性之间的联系。     

多标记序决策系统中基于局部最优粒度的规则获取

多粒度是当前粒计算研究的一个重要方面.在实践中,人们往往选择比较合适的粒度层次来解决问题.作为信息系统的一种特殊情况,多粒度决策系统是经常使用数据表示形式.在这样的系统中,对象可以在属性的不同粒度层次上取不同的观测值.实际使用时,常常遇到在数据属性上需要比较大小,即属性带有序关系.序关系分析是多指标决策的重要内容,而粗糙集是一种处理序关系有效方法.围绕多标记序决策系统的知识获取问题来开展研究,首先,介绍了多标记序决策系统的概念;然后,在协调的多标记序决策系统中定义了最优粒度和局部最优粒度,并介绍了基于局部最优粒度的属性约简和规则获取方法;最后,在不协调的多标记序决策系统中引入了广义决策,定义了广义最优粒度和广义局部最优粒度,并给出了基于广义局部最优粒度的属性约简和规则获取方法.     

分层多尺度决策信息系统的序贯三支决策

传统信息系统中每个属性只有一个尺度,但随着海量数据的涌现,实际应用中经常是在多个尺度上处理和分析问题.三支决策是解决分类问题的一种经典方法,序贯三支决策是在三支决策的基础上进行多步决策的一种方法 .将多尺度决策信息系统与三支决策相结合,基于决策理论粗糙集提出分层多尺度决策信息系统的序贯三支决策模型,得到动态变化的正域、负域、边界域.对多尺度决策信息系统进行分层,依次在分层后得到的多个单尺度决策信息系统上进行讨论,构建尺度层面的序贯结构;在每个单尺度决策信息系统上,通过增加属性的方式得到属性子集序列,诱导出多级粒度结构,构建该尺度下粒度层面的序贯结构.为此,给出两种属性子集序列的选择方法;在序贯三支决策过程中,利用相对损失函数计算阈值,并讨论了阈值的性质;最后给出序贯三支决策过程中的分类规则,并用实例说明提出的模型能有效地处理分类问题.     

多标记决策表的最优粒度选择

针对多标记决策分类中的粒度选择问题,提出了基于决策表的全局最优粒度选择方法和基于对象的局部最优粒度选择方法.首先基于多个粒度层次分析了多标记决策表的粒度划分,引入了多粒度多标记决策表的粒化粗糙度度量方法;然后针对协调决策表和不协调决策表讨论了通用的决策表最优粒度选择方法;最后,针对全局最优粒度选择不能使每个对象都达到最优粒度的局限性,以及不协调决策表中有些对象关于决策标记分类的不确定性问题,讨论了对象的局部最优粒度选择方法,并结合实例验证了该方法的有效性.     

一般多粒度模糊粗糙集模型

通过分析多粒度和模糊粗糙集之间的联系,建立了一般多粒度模糊粗糙集模型。首先,通过定义等价信息系统下的支撑函数分别给出了等价信息系统下的一般多粒度模糊粗糙下近似算子和一般多粒度模糊粗糙上近似算子的定义;其次,为了更好的分析各算子的特性,本文还讨论了等价信息系统下一般多粒度模糊粗糙下、上近似算子的性质。另外,本文经过深入探讨分析等价信息系统下一般多粒度模糊粗糙下、上近似算子之间的关系,研究了一般多粒度模糊粗糙集模型粗糙度和精确度的定义及其性质。最后本文引用淘宝购物这一实例更好的体现了一般多粒度模糊粗糙集模型的实际应用价值。
     

多粒度形式概念分析的类属性块优化

针对现有的多粒度形式概念分析的介粒度标记方法无法实现类属性块内部信息的跨粒度层组合,基于实际应用需要将类属性块内部信息进一步划分为子类,通过跨粒度层重新组合各子类以提出多粒度类属性块,在此基础上分析多粒度类属性块的内部结构,揭示决策蕴涵随多粒度类属性块粒度粗细变化进行更新的规律,完善了基于多粒度形式概念分析的多层次知识发现理论与方法。     

不完备系统中的邻域多粒度粗糙集

以不完备信息系统为研究对象,提出了基于邻域容差关系的乐观多粒度粗糙集和悲观多粒度粗糙集模型,它融合了邻域粗糙集与多粒度粗糙集的方法,亦称为邻域多粒度粗糙集.进一步,对邻域多粒度粗糙集的基本性质进行了讨论,这为采用粗糙集方法处理不完备信息系统提供了新的技术手段.     

基于熵的多尺度决策系统的最优尺度选择

粒计算模拟人类思考问题的自然模式是当今人工智能领域非常活跃的研究方向,在大数据挖掘和知识发现方面有独特的优势.针对多尺度决策系统的知识表示与知识获取问题,提出用信息熵角度研究多尺度信息系统的最优尺度选择问题.首先,定义多尺度信息系统的熵最优尺度与多尺度决策系统的广义决策熵最优尺度的概念;其次,讨论新提出的最优尺度概念与传统最优尺度概念之间的关系,证明在多尺度信息系统中传统的最优尺度与熵最优尺度是等价的;在协调多尺度决策系统中,证明传统的最优尺度与熵最优尺度也是等价的.而在不协调多尺度决策系统中,传统的最优尺度与熵最优尺度不等价,进而引入广义决策熵最优尺度,并证明广义决策最优尺度与广义决策熵最优尺度是等价的.     

多尺度形态梯度和标记分水岭的时频谱图分割

时频谱图干扰强,目标之间、目标与干扰之间有重叠,其分割是重要而困难的问题.提出一种基于图像熵定义的时频谱图多尺度形态梯度图像融合方法,将该方法与标记分水岭分割结合形成一种基于多尺度形态梯度和标记分水岭的时频谱图分割方法.实验结果表明,与基于单尺度形态梯度和标记分水岭的分割方法相比,新方法实用性更强;与Otsu法相比,新方法分割更准确.     

多尺度形式背景及其粗糙近似

首先提出一种新的多尺度形式背景的概念。在该背景中,随着尺度的变化,每一个属性所拥有对象呈现单调性的变化。其次,引入形式背景的粗糙近似概念,并讨论在多尺度形式背景下,不同尺度下近似集的关系。最后,在多尺度形式背景和决策多尺度形式背景下,通过借助信任函数和似然函数,研究它们在不同尺度下的关系,给出上、下近似协调集的定义。     

双论域粗糙集的不确定性度量

为了进一步扩展粗糙集的应用范围和灵活性,利用构造性方法研究了双论域粗糙集的不确定性度量,分析了双论域粗糙集不确定性度量与由双论域粗糙集诱导的Pawlak粗糙集的粒度之间的关系.通过比较Pawlak近似空间中粒度的大小,定义了不同信息系统中关系的粗细程度,给出了反映信息系统分类能力的双论域粗糙集信息熵和信息粒度的定义,研究了双论域粗糙集信息熵和信息粒度与信息系统中关系的粗细程度之间的关系.结果表明：双论域粗糙集的信息熵越大,信息系统的不确定性越强,信息系统中关系的区分能力越弱;信息系统的关系越精细,双论域粗糙集的信息熵越小,双论域粗糙集的信息粒度越小.     

属性的变化对于流图的影响

人类的认知中具有粒化特性,并且同一现象在不同粒度上具有不同的解释.流图为知识的一种表示形式,素有直观性、计算便捷性和并行处理等特征.以属性-值形式的信息系统作为研究对象,针对新属性的添加而诱导的粒度变化,研究流图在不同粒度上的具体演变.流图在新粒度上的有效性取决于所涉及的等价类的变化和Markov性质的成立.具体的,若新粒度上仅有部分等价类中的成员保持Markov性质成立,则粒度变化可将图形结构由一个粒度上的流图转化为新粒度上的用于构成完整流图的基本构件;若Markov性质在新粒度上不成立,则流图可被转化为新粒度上的与流图无关的结构;若新粒度上等价类中的每个成员皆满足Markov性质,则流图在新粒度上保持不变.流感病人信息系统在不同粒度上的具体分析进一步验证了理论结果 .这些结论有助于理解和刻画知识与粒度之间的关系,为模拟人类学习和思维奠定基础.     

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

不完备信息系统中的广义多粒度双相对定量决策粗糙集

经典的粗糙集理论建立在等价关系基础上,要求过于严格,所以限制了它的实际应用范围.为此,扩展形式的粗糙集模型得到了广泛关注,并已成为研究热点.在现实世界中,由于数据测量的误差、对数据的理解或获取的限制等众多原因,所遇到的信息系统往往是不完备的.面向不完备信息系统,在广义多粒度粗糙集以及双相对定量决策粗糙集的基础上定义了两种广义多粒度双相对定量决策粗糙集(GMDrq-DTRS).一方面,讨论GMDrq-DTRS与广义多粒度粗糙集之间的等价关系,以及它们正负域的大小关系;另一方面,在不同的参数关系下,讨论GMDrqDTRS的正域、负域以及上下边界域所具有的特殊关系.并用具体实例来解释说明GMDrq-DTRS决策过程和所讨论的GMDrq-DTRS与其他模型之间的关系.     

多源形式背景中的粒结构

多源数据的知识发现是大数据分析领域的重要研究问题。借助剩余格理论研究多源形式背景的融合形式背景中概念的粒结构。针对多源同域形式背景融合成的L模糊形式背景,刻画了融合形式背景中的可变阈值概念与单源形式背景中的概念之间的关系;给出了融合形式背景的粒约简计算方法并讨论了融合形式背景的粒约简与单源形式背景的粒约简之间的关系。     

基于多粒度一致性邻域的多标记特征选择

多标记学习广泛应用于图像分类、疾病诊断等领域,然而特征的高维性给多标记分类算法带来时间负担、过拟合和性能低等问题.基于多粒度邻域一致性设计相应的多标记特征选择算法:首先利用标记空间和特征空间邻域一致性来粒化所有样本,并基于多粒度邻域一致性观点定义新的多标记邻域信息熵和多标记邻域互信息;其次,基于邻域互信息构建一个评价候...