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.     

一种新颖的基于量化概念格的属性归纳算法

为了解决数据挖掘过程中挖掘的知识粒度过粗或过细问题，并利用概念格的偏序特性，提出了一种基于量化概念格的属性归纳算法．首先对概念格的外延进行量化，得到量化概念格，再根据概念格的哈斯图，采用概念的爬升进行相应的泛化，从而获得基于量化概念格的多层、多属性归纳．与面向属性归纳（AOI）算法相比较，结果表明所提算法不仅能实现AOI的单一属性归纳，还能进行多层、多属性的归纳，其属性泛化的路径不是惟一的，并且很容易在量化概念格的哈斯图中寻找合适的泛化路径和阈值，以此得到用户要求的、合理的属性归纳结果．     

基于扩展概念格的属性归纳算法

由于面向属性归纳在进行属性归纳时难以设置适当的阈值,往往会造成概念提升的结果过于一般化或特殊,为此提出了基于扩展概念格的属性归纳算法.在扩展概念格中进行概念提升实现数据泛化,并根据相应的泛化路径,在相应哈斯图上找到合适的泛化阈值,进而得到较好的属性归纳结果.研究结果表明,基于扩展概念格的属性归纳算法在进行属性归纳过程中保留了完备的信息,减少了属性归纳的计算工作量,并具有直观、简捷的特点.     

形式模糊背景中单边模糊概念格的属性约简

形式概念分析是一种有效的知识表示和知识发现的方法，形式背景和形式概念是形式概念分析中的两个基本概念.形式背景描述了对象集和属性集间的一个二元经典关系，隐含其中的知识通过概念格的形式表示出来.形式模糊背景是形式背景在模糊集理论下的自然推广，建立在其上的模糊概念格在实际应用中面临许多困难，为此，多种形式的模糊概念格的改进形式应运而生.单边模糊概念格就是一种具有较好应用前景的改进模糊概念格.主要研究基于经典-模糊概念格的形式模糊背景的属性约简问题，这里属性约简的概念具有保持相应的概念格整体结构不变的含义.关于属性约简，给出了多种形式的属性约简判定定理，针对属性约简，将所有属性分为三类，探究了不同类型属性的特征刻画.最后，通过引入模糊概念间的辨识属性集的概念，得到了基于辨识属性矩阵的属性约简方法，并通过示例验证了属性约简方法的可行性.     

基于进化论观点的概念格构建算法

提出一种新的基于进化论观点的概念格构建方法。首先从给定形式背景中按单属性抽取出相应的初始种子概念,再从初始种子概念中选择种子变异概念和种子稳定概念,并由种子稳定概念生成子代稳定概念和子代变异概念。然后由子代稳定概念分别与变异概念生成新一代子概念,如此循环直至无新概念生成。该算法利用进化论的观点使其概念生成过程清晰且执行效率较高。     

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.     

基于属性概念的决策形式背景协调性研究

决策形式背景是在形式背景的基础上通过增加决策属性而得到的,相应的可生成条件格和决策格。基于这两个格中属性概念外延之间的关系提出属性粒协调决策形式背景这一概念,并从属性概念的角度给出决策形式背景现有的强协调性、弱协调性和协调性的新的描述方式,进一步解释属性粒协调决策形式背景与这三种决策形式背景之间的关系;最后,提出属性粒规则的概念,并给出以此为基础的规则获取方法。     

概念格及其应用进展

概念格是近年来获得飞速发展的数据分析的有力工具。从数据集中生成概念格的过程实质上是一种概念聚类过程。然而 ,概念格可以用于许多机器学习的任务 ,例如分类 ,关联规则的挖掘等。论文介绍了概念格的基本概念 ,讨论了现有的几种建格算法和在格上提取规则的方法及相关系统和应用。另外 ,还介绍了格的剪枝及概念格和另一个新型数据分析工具粗糙集之间的关系。     

基于概念格的数据挖掘方法研究

分析了概念格与关联规则之间的关系,提出了将频繁项集及其支持度存储在概念格上,然后在创建好的概念格上提取关联规则的方法,概念格的每个节点本质上是一个最大项目集,非常有利于关联规则的提取。然而目前对于概念格的研究,一般都假定由属性集所组成的概念格的内涵同等重要,而在现实数据库中,组成内涵的属性重要性往往是不同的,因此,内涵并非同等重要。为了充分利用概念格实现关联规则提取,提出了一种新的概念格结构:加权概念格,并给出其渐进式构造算法及基于该格结构上的关联规则提取算法。     

多区间概念格的动态横向合并算法

为准确高效的完成数据的准备工作,提出在属性集不同、对象集相同形式背景下多区间概念格的动态横向合并算法.首先,为保证格结构的完整性,对区间概念格的渐进式生成算法进行改进,将区间概念分为存在概念、冗余概念和空概念;其次,结合区间概念格自身特点,给出区间概念格一致性的概念以及格结构横向合并的充要条件;再次,将合并后的区间概念分情况进行讨论,并给出相应的横向合并原理;最后应用层序遍历的方法扫描格结构,提出横向合并效率.实例表明,该算法的可行性和高效性.     

基于概念格的数据流频繁项集挖掘

提出一个数据流环境下的基于概念格和滑动窗口的频繁项集挖掘算法DSFMCL。算法在滑动窗口内分批挖掘新流入的基本窗口频繁概念后,生成概念格的Hasse图。引入最小支持度ζ和误差因子ε对非频繁概念节点进行剪枝操作。Hasse图中各节点包含频繁项集及其支持度信息。随着新基本窗口的Hasse图的生成与滑动窗口进行概念格纵向合并,最终通过对全部Hasse图节点的扫描可以输出所有频繁项集。实验结果表明,该算法具有良好的性能。     

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.     

偏序结构图的一种计算机生成算法

偏序结构图是为了解决形式概念分析和概念格中的诸如概念计算繁琐、连线交叉严重等不足,在大数据应用的紧迫趋势下被提出的.图形的手工绘制工作存在繁琐、重复、效率低下等缺点,亟需设计出快速、有效的偏序结构图计算机自动算法和软件工具.本文首先简单介绍偏序结构图的构图原理;其次,详细说明了该种图形的一些基本定义及生成方法;最后,简单扼要地说明偏序结构图的计算机实现,并用经典的形式背景生成相应的偏序结构图来说明该软件工具的工作流程.     

一种基于加权概念格的分类规则提取算法

加权概念格是针对属性的重要程度,通过引入内涵权值而形成的一种格结构。采用加权概念格作为分类规则提取工具,通过引入加权外延支持度,给出了一种新的分类规则的提取算法CRAAF-WCL。最后,利用恒星光谱数据作为形式背景,实验验证了该算法具有较高的分类效果。     

基于概念格模型的约简表示及求解

文章在研究概念格与粗糙集之间关系的基础上,建立了基于概念格的粗糙集合模型表示,并提出了基于概念格模型求解决策表的约简与核的方法。该算法首先构建概念格,通过在建格过程中及时动态地消除与约简求解无关的结点,提高算法的效率,继而扫描概念格判断决策表的一致性,得到核以及所有非约简,进而得到所有约简;理论分析与实验表明了算法的正确性和有效性。     

基于概念格的聚类分析

针对如何快速有效地在信息管理系统中建立基于概念格模型的聚类分析进行研究,提出在数据库中保存格节点的概念格物理模型、最小基数格模型和最小基数格节点的生成方法,并用以解决产品间的快速比较、相近产品替代等问题.     

基于概念格的知识约简算法的实现

探讨了Rough集和概念格的基本理论,将Rough集和概念格模型有机地结合起来,运用Rough集的约简理论提出一种基于概念格的知识约简方法并通过实验进行了验证,结果表明利用Rough集理论对以形式背景形式描述的原始数据集进行约简,可以在一定程度上减小概念格的规模.     

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。