基于包含度理论的面向属性(对象)概念格构造

目的将包含度理论用于形式背景的研究中。方法根据包含度理论定义了一对基于形式背景的算子。结果利用算子可以构造面向对象概念格和面向属性概念格。结论利用包含度构造了面向对象概念格和面向属性概念格。     

基于包含度理论的概念格构造方法研究

利用包含度理论定义了一种基于形式背景的算子,证明了包含度取不同值时,该算子可以构造出概念格、补背景概念格、面向属性概念格以及面向对象概念格。从而说明应用包含度理论可将基于形式背景的各种建格问题进行统一描述。     

合成背景的面向属性概念格生成

目的研究合成背景下面向属性概念格的生成。方法面向属性概念格理论。结果由两个简单形式背景的面向属性概念格获得了合成形式背景的面向属性概念理论。结论推广了已知结果,易于获得复杂形式背景的面向属性概念格,从而更有利于知识发现。     

基于概念提升的概念格更新构造算法

概念格因其结构生动简洁地表明概念之间的泛化-例化关系,成为一种有效的数据挖掘工具.然而直接从形式背景中直接构造概念格的效率较低,为了提高概念格的构造效率,针对形式背景中的多个属性合并,给出了一种基于概念提升的概念格更新构造算法UCP.该算法充分利用了属性合并之前的概念格,仅对部分概念结点进行更新处理,从而提高了概念格的构造效率.最后,以恒星光谱数据作为形式背景,采用VC++6.0和Oracle9i为开发工具,实验验证了该算法的有效性.     

直觉模糊概念格的属性约简

研究直觉模糊形式背景下的概念格属性约简.利用直觉模糊逻辑算子给出了直觉模糊概念格的构造,通过直觉模糊集的水平截集定义了可辨识属性矩阵,给出了直觉模糊概念格的属性约简方法.     

面向对象概念格上的近似概念及概念认知

针对概念认知问题，该文通过形式背景中任意对象(属性)集在面向对象(属性)概念格中形成的下近似概念外延(内涵)和上近似概念外延(内涵),探讨了面向对象(属性)概念、面向对象(属性)下近似概念、面向对象(属性)上近似概念之间的关系，得到在面向对象(属性)概念格中生成下、上近似概念的一种有效方法。对于面向对象概念格中任一概念，由其外延形成的下近似概念和上近似概念是它本身；对于面向属性概念格中任一概念，由其内涵形成的下近似概念和上近似概念也是它本身。同时通过举例说明。另外，将近似概念应用于面向对象(属性)概念格中进行概念认知并给出相应算法。对于给定的任一对象(属性)集线索，通过其形成的近似集去逼近该线索，得到1个精确概念或者2个近似概念，以进行概念认知。同时给出概念学习精度来衡量概念认知的准确性。     

面向属性(对象)概念格基于直观图的保并(交)约简

属性约简是形式概念分析中的一个重要问题,文中主要研究面向属性概念格和面向对象概念格的保持并(交)不可约元外延不变的约简。给出面向属性概念格和面向对象概念格的保并约简和保交约简的定义;研究了这两个格的保并约简和保交约简之间的关系;利用形式背景直观图,给出获取这两种格的保并约简和保交约简的理论与方法。     

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.     

一种基于网格的概念格分布式构造方法

分布式构造是降低面向海量数据的概念格构造复杂性的一种有效途径。目前,概念格分布式构造方法普遍偏向理论,存在扩展性差、资源利用率较低等问题。利用网格作为分布式计算平台,采用适合概念格构造规模的多次分发调度策略,给出了一种网格环境下的概念格分布式构造方法。最后,采用恒星光谱数据作为形式背景,实验验证了方法的正确性和有效性。     

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。     

多粒度面向对象概念格的构造

目的研究多粒度面向对象概念格的构造。方法在单粒度面向对象概念格外延集上作并运算,得到多粒度面向对象概念的外延集,再运用下近似粒算子,得到多粒度面向对象概念的内涵集,进而构造多粒度面向对象概念格。结果给出了由单粒度面向对象概念格构造多粒度面向对象概念格的方法。结论多粒度面向对象概念格的提出进一步完善了概念格理论。     

区间集概念格属性约简的组成与结构

区间集是解决部分已知概念、近似不可定义或复杂概念的研究工具。概念格是机器学习、数据挖掘、知识发现和信息检索等领域的一种很有效的数据分析工具。区间集概念格是这两种方法的结合,是对于部分已知概念或不可定义概念信息系统进行机器学习、数据挖掘、知识发现和信息检索的一种有效的数据分析工具。区间集属性约简是揭示区间集概念格本质特征的一种方法。本文揭示了区间集属性约简的组成与结构:两个区间集相对必要属性不能在同一个区间集属性约简中出现;区间集约简与任何一个区间集相对必要属性等价类的交都不空;核心属性和每个区间集相对必要属性等价类中取一个属性组成的集合一定是区间集属性约简。     

毕达哥拉斯模糊三支概念格

将毕达哥拉斯模糊集理论引入模糊三支概念格中, 在毕达哥拉斯模糊形式背景下研究毕达哥拉斯模糊三支概念格的构造。首先, 结合毕达哥拉斯模糊集理论将对象与属性的关系同时用隶属度和非隶属度表示, 给出毕达哥拉斯模糊形式背景的定义;其次, 基于给定的阈值α和β以及三支决策思想, 将对象集(属性集)划分为正域、负域, 边界域3个部分;在此基础上, 给出2种毕达哥拉斯模糊三支概念(对象导出毕达哥拉斯模糊三支概念与属性导出毕达哥拉斯模糊三支概念)的定义和相关定理, 构建相应的概念格;最后, 结合实例阐释毕达哥拉斯模糊三支概念格在实际问题中的应用。     

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.     

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。     

L (Q)格值模型的初等子模型

将带广义量词Q的一阶逻辑的二值弱模型推广到取值于完备弱可补格上,对有限的线性序弱可补格,讨论了关于L(Q)模型的初等子模型的一些性质,如强升和强降L－S－T定理,初等图像在初等扩充下的保持性等。     

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.     

Reconstructing Concept Lattices Using n th.Order Context Kernels

0 IntroductionSince the concept lattice theory was set upin the 1980s ,concept lattices have been considered as mathematicmodels of knowledge process for years[1]. However ,the ti meand space complexity of concept lattices constructionis along-standing barrier on the way of application of concept latticetechnologies . To solve the problem,several techniques weredeveloped[2 ,3].Refs .[4-6] concentrated on incremental algo-rithms i mprovement . Ref .[7] presented an approach on re-duction of at…     

一种新的模糊概念格及其构造方法

Will.R提出的概念格反映了对象与属性之间的精确关系,而在现实生活中,人类认识的大量概念都是模糊的,因此研究模糊概念格有着重要意义.提出了一种新的模糊概念格,讨论了它的性质以及构造方法,给出了模糊概念的构造算法.最后,用一个算例证明了该方法的有效可行性.