基于粒计算的格贴近度理论研究

为了描述2个粒集的接近程度,通过对传统Fuzzy集贴近度的公理化定义进行重新定义,提出了基于粒计算的格贴近度的定义,并给出了相关的基本性质.     

基于粒计算的距离与贴近度相关性研究

为了刻画和度量粒集合之间的差异和相似程度,以粒度计算方法为前提,借鉴已有的软计算理论成果,给出了粒集和公式的公理化定义,并且给出了粒计算距离和贴近度的相似性理论,对粒计算的距离与贴近度的相关性进行分析.这些结论将有助于人们理解粒度的本质,对于建立信息系统中的粒计算有着重要的指导意义.     

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.     

超盒粒计算的模糊格代数系统

将粒表示为空间中的超盒,该超盒粒是由起点和终点组成的向量,设计超盒粒之间的合并和分解算子,构造不同粒度的超盒粒;引入正评价函数度量超盒粒之间的模糊包含关系,构造由超盒粒集、模糊包含度、合并算子和分解算子组成的超盒粒代数系统,并证明其是模糊格.该模糊格能较好地指导粒计算算法的设计.     

基于粒计算的概念格拓展模型

将粒计算融入到概念格研究中,结合相似度模型和概念格结构信息,提出一种基于粒计算的概念格拓展模型,其有助于扩展经典概念的内涵和外延,也有助于压缩概念的规模.该模型是概念格和粒计算融合研究的一次有益探索和尝试,同时对概念格拓展也不失为一种有效手段.     

基于粒计算的商业数据流概念漂移特征选择

商业数据流具有动态性、漂移性等特性,概念漂移特征选择是数据流挖掘的重要工作之一.本文从数据流的特点和概念漂移特性出发,提出了数据流的概念形式化分析流程和基于粒计算构建数据流的概念形式化描述模型;商业数据流的概念漂移实际上取决于其概念外延的变化,文中使用包括外延偶合度和内涵偶合度在内的概念偶合度来描述概念间的相似性;经过粒化的数据流由概念格来表示,进而通过概念格对的松弛偶合度来分析数据流特征;结合概念偶合分析和数据流变化特征,阐述了一种基于数据流概念格对的松弛匹配偶合度算法,并据此分析概念格对来选择数据流的漂移特征.通过实例验证、评价了特征选择,证明其有效性.     

基于粒计算的融合性贴近度方法

在粒计算的基础上,将粒进行了形式化表示,详细地讨论了粒如何进行度量,进一步对粒在相似度度量方面加以阐述.对不同的事物相同标准和相同事物不同度量标准这两种情况的相似度度量进行探讨,并提出了一种新的基于粒计算的融合性贴近度方法对不同相似性度量方法进行了统一,减少了中间过程,避免了标准不同不能进行比较的问题.     

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。     

基于模糊集IFScom的格贴近度及应用

针对格贴近度在模糊识别中的应用问题,提出一种基于模糊集IFScom的格贴近度(新格贴近度)。它不仅满足公理化的要求,并且区分了3种不同否定:矛盾否定、对立否定和中介否定。另外给出了新格贴近度在网络模糊分类中的应用实例,通过IFScom模糊集方法和经典模糊集方法的对比分析,新格贴近度在否定的区分、表示和模糊识别上是合理可行的。     

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.     

F 模式识别的随机方法

文章根据表达两个模糊集之间相似水平的贴近度的定义，得到了线性和正态型隶属函数时，格贴近度的计算公式，并首次利用随机方法，讨论了用格贴近度对Ｆ模式进行识别。分析表明，文章所讨论的方法具有通用、方便、简捷的特点。     

粒矩阵与Rough关系矩阵

针对Rough集本身的代数定义和其他各种扩展模型没有提供简捷的计算边界元素数目的算法,笔者定义了粒矩阵和Rough关系矩阵,采用二进制粒矩阵运算代替传统的等价类计算获得上、下近似,灵活高效。从集合论的角度完善了Rough集理论,并在此基础上,提出了基于粒矩阵的知识发现算法,同时举例证明了Rough包含与Rough相等的隶属度函数定义的充要条件仅仅是必要条件。     

模糊集的贴近度及多维综合贴近度

通过对传统F集贴近度的公理化定义进行改造,从而用普通函数的形式对两个F集之间的贴近度进行了更加全面、合理的描述。然后,将描述两个F集之间贴近度的函数推广到多维领域,使得所定义的综合贴近度能够对受多种因素影响的全体F集的综合贴近度进行度量。从而为模糊诊断的自学习功能提供了一条很好的解决途径。     

基于集对贴近度的多机器人能力评估

为解决多机器人任务分配的问题,把集对分析的思想引入机器人能力综合评估中,利用多属性决策方法对任务的多项指标进行评估.将多个指标组成的指标集视为由多个指标组成的指标空间,运用欧式空间权距离的方法分析集对贴近度.采用贴近度算法进行大样本仿真和分析,仿真结果表明了该算法的有效性,同时该算法对相似的结果可进行有效区分.     

模糊粗糙集的贴近度

基于模糊集理论中贴近度的定义及模糊粗糙集的有关性质 ,讨论了模糊粗糙集 (FR集 )的贴近度 ,进而给出了模糊粗糙集的距离贴近度、最小最大贴近度、最小平均贴近度以及格贴近度     

基于Vague集的模糊聚类方法研究

引入Vague集(值)的距离概念及Vague集(值)的贴近度概念,并证明了这一新的贴近度的性质.利用此贴近度概念给出了基于Vague集的模糊聚类方法,这一方法对于数据挖掘研究有很好的参考价值.     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

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.     

多粒化粗糙集性质的几个充分条件

多粒化粗糙集是Pawlak粗糙集非常重要的一种推广,主要给出当X是C(C')中任意有限个元素的并集时,乐观多粒化粗糙集(悲观多粒化粗糙集)上下近似对于交并运算的封闭性;得到若X是C'中任意有限个元素的并集,乐观多粒化粗糙集和悲观多粒化粗糙集下近似相等;若~X是C'中任意有限个元素的并集,乐观多粒化粗糙集和悲观多粒化粗糙集上近似相等.     

基于贴近度的协调序决策系统属性约简算法

针对基于优势关系的协调序决策系统,定义了条件属性集相对于决策属性集的贴近度,并定义了协调序决策系统中属性的重要度.提出了基于贴近度的启发式属性约简算法,通过实例分析证实了该算法的有效性.