Discussing the Expansive Learning in Modern Organizations

<正>1 Introduction Endeavours on learning methods have long occupied the mind spaces of scholars and there have been theories abound on how people learn and in what way organisations can use some of the knowledge gained in the art of learning to maximise human productivity.While the theories by themselves are not solutions to problems,they are steps of inquiry that provide us with interesting perspectives that we can use to extend our knowledge of the dimensions of learning.This paper is an exploratory work on the theories postulated by three notable scholars including Zimmerman     

BCK—代数的形式系统

本文引进了BCK-代数的形式系统L 的概念,并且给出了关于L 的任意一个合式公式是否为它的一个定理的判定方法。     

实时调度问题的形式化描述及分析

使用自动机理论建立了一个用于分析实时调度问题的、可化简归并的形式化方法。通过分析单个任务的状态变化过程来构造实时系统的自动机。对自动机的状态进行化简和归并,大大降低了讨论实时调度问题的复杂度。以优先级上限协议为例构造了确定有穷自动机并使用该自动机证明了优先级上限协议的性质。     

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。     

基于概念格的知识发现及其在高校就业数据分析中的应用

形式概念分析是数据分析与知识发现的有效工具,现已被广泛应用于各个研究领域。决策形式背景是形式概念分析中的重要关系数据库之一,其主要研究内容是基于规则提取的知识发现。本文借助于Wille概念格和面向对象概念格对决策形式背景的规则提取问题进行研究,给出了规则提取算法,并通过高校就业数据对算法进行了实证分析。     

互逆主义数学哲学与计算

指出数学不是建立在集合论之上,而是建立在人类计数实践之上。经典数理逻辑是有量词的,而互逆主义数理逻辑没有量词,绝大多数逻辑在计算机的应用系统中也都是没有量词的。为说明互逆主义数理逻辑在计算中的能行性,给出了其在人工智能计算中的应用：二层单准Prolog的操作语义和指称语义。     

一种新颖的概念格构造算法

高效的概念格生成算法对于形式概念分析的应用研究是一个主要问题,文章从基于属性的基本概念出发,首先给出并证明了任意概念可表示为基本概念的定理,并提出了一种基于属性基本概念的渐进式概念格生成算法,实例表明该算法是可行和有效的。     

Web导航行为范畴模型一致性与安全性研究

范畴理论为各数学学科提供了一种公共的语言、工具、思维方法和研究手段,其中作为形式结构的素描是一种基于图的规范,是形式建模和验证的有效方法.文章给出了Web导航行为的线性素描,构建一个基于范畴理论的形式模型,这一模型符合由素描所描述的要求和规范,提出了通过建立自由范畴来检验模型一致性的方法,讨论了导航模型的安全性,并给出了一些相应的安全性规则和检查方法.     

形式概念分析的粒计算方法及其研究展望

形式概念分析是知识表示与处理的一种实用数学方法,因其核心工具概念格的构造代价涉及指数时间复杂度,它在一定程度上导致其处理数据效率不高,这个问题也一直阻碍着该理论的快速发展与广泛应用。粒计算以粒的形成、粒的转移、粒的合成与分解等手段有效解决问题而著称,它允许问题在各个粒化层面上得到处理,并根据实际需要在解决问题的精度与耗时之间做出权衡。形式概念分析的粒计算方法的主要研究目标是将粒计算的这些优势融入传统形式概念分析中以有效解决数据分析与处理问题。具体地,本文从Galois连接的粒计算模型、对象粒化、属性粒化、关系粒化、关系诱导的概念粒化、粒规则、粒约简、粒概念、粒概念学习、概念粒计算系统等角度展示形式概念分析的粒计算方法的主要研究内容,并针对大数据与认知学习提出若干挑战性问题。有关讨论结果将为形式概念分析的粒计算方法的研究与发展提供借鉴。     

基于粒辨识属性矩阵的动态形式背景约简更新方法

知识约简是知识发现中的一项重要任务,它的研究使得在数据中寻找蕴含规则更加简易,但现实中的信息往往都不是一成不变的,随着时间的推移需要不断地对原有信息进行适当更新。本文主要从粒辨识属性矩阵出发,讨论当所研究的形式背景处于更新状态时,如何由原有的粒协调集更新得到新的粒协调集,并讨论了粒辨识属性矩阵的相关性质。