多粒度决策系统的局部最优粒度选择

粒计算是知识表示与数据挖掘的一种重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同标记尺度对数据有不同的分割,会得到不同层次的信息粒度.在面对具体问题时,自然而然地考虑选择一个合适的粒度层次来解决问题.针对具有多层粒度决策系统的粒度选择与规则获取问题,首先介绍了多粒度决策系统的概念,并在多粒度决策系统中定义了局部最优粒度,然后介绍了多粒度决策系统中基于局部最优粒度的属性约简.最后,给出了基于局部最优粒度的规则获取方法,并结合具体实例给出了规则获取的一个算法.     

序区间值决策系统中的最优可信规则获取

以包灰色含区间值的序值决策系统为研究对象,针对区间值之间不能直接比较的问题,引入灰色系统理论中的白化方法以构建一个新的序白化值决策系统,并讨论了其在优势和弱势关系下的可信规则获取.深入研究了优势和弱势对象的约简以及其决策类的相对约简问题,其中可信规则的约简是保持该可信规则的支持集中的元素不发生变化的最小数量属性的合取.给出相应的判定定理与区分函数,并进行了实例分析.所构建的决策系统为最终从序区间值决策系统中获取最优可信决策规则提供了新的理论基础与操作手段.     

基于多粒度理论的不完备决策规则获取

将多粒度理论引入不完备决策系统中,针对其不完备性,结合非对称相似关系提出基于相似关系的不完备多粒度粗糙集模型,并讨论该模型的性质。随后重点讨论基于相似关系的不完备多粒度粗糙集模型中属性约简和决策规则获取的问题,将多粒度理论和近似分布约简相结合,提出了不完备多粒度近似分布约简,获得所有的最简确定决策规则和最简可能决策规则。最后通过实例分析,发现使用多粒度近似分布约简与规则获取方法比原有的单粒度近似分布约简与决策获取方法更合理有效。     

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。     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

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...     

不完备序区间值决策系统中所有可信规则的获取

研究了含区间值的不完备复杂信息系统,其不仅包含遗漏型未知属性值,而且属性值域为全序集.根据区间值特点给出其遗漏型和填充式区间值概念,并定义了不完备序区间值决策系统;然后,提出了区间段值概念和基于区间段值的序决策系统,其中引入灰的白化方法以将填充式区间值转换为区间段值;接着,提出基于区间段值的优势和弱势描述子,用以获取序区间段值决策系统中的所有可信规则并给出具体算法步骤;最后,用实例进行了验证.试验分析的结果表明了该方法的有效性.     

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.     

基于多粒度的多源数据知识获取

多粒度认知能力是人类分析复杂数据的一种常用策略。作为复杂数据类型之一的多源数据,因其数据源头多而使得数据分析变得复杂。受多粒度思想的启发,以多源信息系统为数据基础,基于悲观的决策策略,提出了多源划分约简集的定义。讨论了多源划分约简集与划分约简集之间的关系,并给出了相应的属性特征的判别方法。最后,针对多源决策信息系统,基于乐观的决策策略,提出了多源决策规则。借鉴多粒度模型,从一个新角度所提出的多源数据分析方式进一步丰富了知识获取的方法。     

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...     

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.     

连续值域信息系统的决策规则获取

为了获取连续值域信息系统的决策规则，本文突出了一种新的方涛，这种新的方法无需对连续值域信息系统进行离散化，因此减少了由于离散化预处理所丢失的信息．通过对文中允许误差的系统对规则获取效率的影响的讨论，可以发现，在实际应用中新的方法比传统的方法更有效．     

基于合理粒度的局部邻域决策粗糙计算方法

信息粒度和近似方法是粗糙集理论进行数据描述的两个关键.现实中数据分布情况复杂多变,现有的模型缺乏对不同数据区域进行区分的能力,且易受到异常数据的干扰,导致最终分类决策的失误.为此提出基于合理粒度的局部邻域决策粗糙集模型.首先,根据邻域中对象的个数和类别识别一些极端情况(例如离群点和标签噪声点),分别给出不同分布情况下数...     

多尺度决策系统中基于模糊相似关系的决策粗糙集最优尺度选择与约简

基于模糊相似关系的决策粗糙集是经典决策粗糙集的延伸与拓展,为当今的研究热点之一.在实际处理数据时,同一对象的同一属性可能具有不同层次,并且在不同层次上取得不同值.为此,该文针对多尺度决策系统,提出多尺度决策系统中基于模糊相似关系的决策粗糙集模型,给出相应的最优尺度选择及约简方法,并讨论了获得一个最优尺度约简的简便算法....     

多粒度时间序列中模糊规则的提取

介绍了一种从多粒度时间序列中提取模糊规则的数据挖掘方法,该方法在时间序列中引入多重时间粒度,以模糊规则的形式给出数据挖掘的结果,建立多粒度时间序列的数学模型,并对提取模糊规则中所涉及的一些基本概念作出定义,在此基础上,给出数据挖掘的具体算法,通过实验证明了该挖掘算法的有效性。     

基于灰色决策系统中的知识获取

现实世界中的信息决策系统是非常复杂的,许多信息表中的记录不仅是离散值,还可能为区间值。本文以包含区间值的灰色粗糙集为研究对象,使用基于区间一致关系和区间包含关系取代经典粗集模型中的等价关系和不可分别关系,给出了从含区间值灰色决策系统中获取知识新的理论基础与操作手段。     

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。     

基于覆盖的多粒度决策理论粗糙集模型

经典的多粒度决策理论粗糙集是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到和把握.本文结合多粒度决策理论粗糙集模型,基于覆盖粗糙集理论提出了基于覆盖的多粒度决策理论粗糙集理论,推广了前人的工作.     

多传感器系统最优决策融合的熵方法

根据多传感器最优决策融合的信息模型提出了多传感器决策融合熵的概念；推导了多传感器系统最优决策融合的熵规则，分析了该方法对融合系统的可行性和虚警率的影响，表明该方法对提高融合系统品质具有重要意义。