基于特征抽取定性映射的事物关系的表示模型

对象及其关系的表示是推理、求解的基础 ,而对象的感觉特征的抽取可归结为一个定性映射 .本文以此为基础并将群体中的研究对象统称为“事物”,给出了群体中事物属性的数学表达及基于属性的事物关系的数学表达模型 ;由此引出了一般事物的属性及属性值的判定规则和“归约”“细化”的推理方法 ,将其用在 KDD中的概念提升中显得自然而方便 ,并得到基于属性的事物分类的数学方法     

从属性量检测到质特征定性的感觉特征抽取模型

提出了将感觉信息处理建立在属性操作研究上的基本观点,给出了属性量－质转化规律的定性映射模型（QM）,和QM与人工神经元的TLU（Threshold Logic Unit)模型的等价性定理,根据感觉简单细胞和皮层神经元能对其敏感属性 a(x)的量da(x)及相应质特征pd(x),分别作出反应（或检测）和定性抽取的实验事实,提出了一个从量检测到质特一性的感觉特征抽取模型。     

定性映射诱导的模糊集

从属性量-质特征转化的定性映射模型导出了一个模糊集，给出一个模糊集的表达式，为模糊集产生的哲学和认识论根源提供一个基于量-质转化规律及其定性映射的解释途径。     

属性和属性值组合的概念模板

基于本体抽取三元组〈概念,属性,属性值〉,以词汇聚类为基础,将概念表示为属性和属性值的组合向量,对基于属性的概念模板和基于属性值的概念模板进行对比.研究发现,基于属性和属性值组合的概念模板优于任何一个单独的模板.     

属性论方法在心电图学中的应用——基于属性论方法的心电图是否正常的判断

定性映射(Qualitative Mapping,QM)模型是思维建构和智能模拟的属性论方法中的基本数学模型,它表达的是事物属性量—质特征转化关系,其哲学基础是事物质量互变规律,其基本内涵是依据特定的属性基准,从事物的一个或多个量特征中抽取出质特征。在数学上已经证明它可以推导出人工神经元,用它可以解决异或分类问题,双螺旋问题等人工智能问题中的经典难题。本文旨在应用属性论方法的定性映射理论判断给定的一个心电图是否为正常的心电图,实践证明该方法实现更加简单,有效,令人满意。     

判断的定性映射模型与非线性模式分类（I）

基于事物属性量-质特征转化关系的简单性质判断可归结为一个定性映射τp(x，cp)，(判断元素x是否属于集合S的)特征函数、单(或多)指标性质判断和单(或多)特征向量判断(或检索)，可分别归结为以一般集合S、区间(αi，βi)、区间向量、区间矩阵、向量和矩阵为定性基准cp的定性映射．     

指数无界的积分半群

本文给出了指数无界的ｎ次积分半群生成元的定义，得到了指数无界的ｎ次积分半群与Ｃ－半群、适定性之间的关系。最后还证明了指数无界的ｎ次积分半群的谱映射定理。     

判断的定性映射模型与非线性模式分类(Ⅰ)

基于事物属性量—质特征转化关系的简单性质判断可归结为一个定性映射τp(x,cp),(判断元素x是否属于集合S的)特征函数、单(或多)指标性质判断和单(或多)特征向量判断(或检索),可分别归结为以一般集合S、区间(αi,βi)、区间向量、区间矩阵、向量和矩阵为定性基准cp的定性映射.     

一种基于粗糙集的决策算法挖掘方法

属性约简和属性值约简是利用粗糙集理论从决策表中挖掘决策规则的基础,挖掘决策规则是粗糙集理论的重要研究领域之一。本文根据属性的重要度和条件差别矩阵来进行条件属性约简,找出有效约简。同时定义了决策表的不一致度,并根据属性重要度来进行属性值约简,在保持决策表不一致度不增加的前提下挖掘出决策规则,该决策规则集满足独立性、覆盖全域性、可接受性和一致性,即决策规则集为决策算法,最后运用实例对该方法的有效性进行说明。     

一种基于可辨识向量的规则提取方法

针对信息表中的规则提取问题,应用粗糙集理论对其中的属性约简、属性值问题进行了研究,提出了一种基于可辨识向量的规则提取方法。根据粗糙集中的不可分辨关系建立了可辨识向量,利用可辨识向量的加法法则运算只需要对信息表扫描一次,就可以得到信息表的核属性集以及信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效可行的。     

多属性决策中属性值大小对其权重的影响

研究属性值大小对其属性权重的影响. 在常用权重分配方法的基础上,通过引入模糊集合的方法,提出了适合该情况下的属性分配方法.实例研究结果表明,考虑属性值大小的决策方法比传统的决策方法更为合理.     

EER数据模型,O—O数据模型与概念设计

ＥＥＲ数据模型、Ｏ－Ｏ数据模型与概念设计张家明周伯鑫宋文忠（东南大学自动控制工程系，南京２１００１８）现在，大多数面向对象数据库系统采用让用户定义复杂对象，即一个对象的属性值为另一个对象．将属性和联系用统一的机制来实现．但这存在诸多缺点：有关联系的...     

属性论方法在图像分割中的应用研究

提出一种基于属性论的图像分割方法,首先将彩色图像转换到HSI颜色空间,然后根据定性映射原理建立HSI颜色空间的智能融合模型,通过像素点间的不同颜色分量的特征匹配实现对图像的分割,最后用MATLAB进行仿真实验,实验结果表明,所提出的定性映射颜色分割算法快速、有效、可靠.     

基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.     

多属性决策中基于加权模型的属性值灵敏度分析

针对多属性决策中属性值的灵敏度分析,首先介绍了方案灵敏度及最灵敏方案等有关概念;然后在考虑将比重变换法作为属性值规范化方法的情况下,基于加权模型,给出了当两个方案之间排序位置颠倒时某一属性值的最小变化量的计算方法,并且在此基础上,可找出最灵敏方案·最后给出了一个算例·     

多标签符号型属性值划分的聚类方法

提出了一种多标签符号型属性值划分的聚类方法(clustering method for multi-label symbolic value partition, CMSVP)。首先,利用标签排序和K-means算法,对原始标签信息进行聚类。然后,为每一个属性构建一个无向加权图。图中的每一个节点代表一个属性值,边的权重则表示节点之间的相似度。最后,对所有的无向加权图进行随机游走,得到属性值的聚类方案。实验在6个多标签数据集上进行。结果表明,CMSVP算法在对数据有效地进行压缩的同时,也能在一定程度上提高数据的分类性能。     

广义集值映射Nash均衡点的存在性及Levitin-Polyak良定性*

针对以往集值映射Nash均衡点无约束的问题,提出了有约束条件下的广义集值映射Nash均衡点的概念,它以通常的Nash均衡点及Loose Nash均衡点为特例,首先,使用KKM定理的等价形式,得到了广义集值映射Nash均衡点的存在定理;其次,针对广义集值映射Nash均衡点的稳定性,通过定义Levitin-Polyak近似解序列,证明了Levitin-Polyak良定性的充分和必要条件,在此基础上,得到了广义集值映射Nash均衡点的Levitin-Polyak良定性结果;此外,通过给出实际例子,验证了广义集值映射Nash均衡点的存在性和Levitin-Polyak良定性结果,说明了大多数的广义集值映射Nash均衡点具有稳定的性质,同样,当其支付或可行约束对应映射退化为单值函数时,其存在结果和Levitin-Polyak良定性结果依然成立。     

区间数相离度的决策矩阵排序的一种新方法

针对属性权重已知而属性值为区间数的多属性决策问题,首先弥补原有的区间数规范化方法的不足,然后给出了区间数的理想属性值和负理想属性值的定义,接着提出了一种基于相离度的决策矩阵排序的一种新方法,最后给出了一个例子说明此法的有效性和可行性。     

常微模型平衡态制图定性规则有应用

根据平面Ｃ＾２－动态系统平衡态几何定性＾［１］新法作出了一组定理，制定了常微模型平衡态制图定性规则，并以广义Ｌｏｔｋａ－Ｖｏｌｔｅｒｒａ推广模型的一个特殊例子，阐明应用该规则可以简化非线性常微模型平衡态局部定性的经典计算方法，具有广泛的实用性。     

中—（B）性质和次中—（B）性质

本文定义中－（Ｂ）性质和次中－（Ｂ）性质，并对它们的等价刻划，遗传问题，映射定量，和定理等作了详细的讨论。