概念格在查询课程的系统中的应用

概念格是数据分析理论中的一种有力工具。针对查询课程系统这类问题,利用概念间的相似度构造加权的概念格,从而给出一种方法来解决查询过程中关键词的输入顺序问题,并结合实例说明了这种方法的有效性。     

基于格空间的受限DeepWeb数据抽取算法

将返回结果受限的DeepWeb数据源中预测查询结果大小并且抽取的问题转化为概念覆盖问题。首先证明由属性及属性组合产生的集合划分之间为容差关系,进而又证明其构成一个完全格,并且与概念格同态。使用概念间的偏序关系来刻画属性间的相关性,使用概念内涵为查询属性,概念外延为返回结果的预测,基于外延的势剪枝后的概念格为搜索空间,最终提出一种基于格空间的DeepWeb数据抽取算法。实验由可控实验和实际应用实验组成,结果证明该算法理论正确性和现实应用的可行性及有效性。     

基于偏序关系的子概念格判定算法

基于偏序关系给出子概念格的定义和判定定理,描述子概念格的判定算法,提出对概念格中的子概念格进行折叠的思想,最后,通过FCA原型系统验证了算法的有效性,借助Direct3D技术可视化地展示了子概念格的折叠和互操作过程.子概念格的折叠简化了概念格的显示,从而方便用户对格信息的查询.     

模糊本体构建的概念距离聚类方法

针对手工构建模糊本体工作量大且构建效率低的问题,结合模糊集理论和模糊概念格的结构惟一性等特点,提出一种基于模糊概念格的概念距离聚类方法来构建模糊本体.用渐进式方法构建出模糊概念格,并计算模糊概念格中节点的模糊参数,对其进行概念距离聚类处理,得到模糊概念层次,最后映射为模糊本体.其构建实例验证了该构建方法的可用性和有效性.     

对偶概念格的属性约简

概念格理论是研究概念和概念之间层次结构的一种强有力的工具。概念格是根据数据之间的关系建立起来的,已经被应用于数据挖掘、软件工程、信息检索和粗糙集等领域。属性约简是概念格理论研究的核心问题之一。通过探讨对偶概念格与Wille教授提出的概念格之间的联系,得出对偶概念格与概念格的协调集是相同的。结合概念格协调集的判定定理得出了对偶概念格协调集的判定定理,并利用对偶概念格与概念格的对偶性,在概念格属性约简的基础上给出了对偶概念格属性约简的方法。     

基于形式概念分析的约简数据立方体研究

数据立方体格和形式概念格比较研究表明,两者都基于序结构,并且采用形式概念分析理论(FCA)的等价特征组与数据立方体覆盖等价类对数据单元有相同的划分结果.将FCA与概念格理论引入数据立方体研究,首次提出聚集概念格(ACL)结构.ACL与一般概念格同构,能完整保存立方体中的所有聚集结果,实现与商立方体相同比例的约简.ACL结构仍比较复杂,在ACL基础上,又提出一种约简聚集概念格结构(RACL),该结构只存储非对象概念,而不是所有概念.RACL与基本表联合仍然是完整立方体结构,但能实现更大的约简.给出了ACL和RACL的高效的查询方法,并使用模拟数据和实际数据作了一些实验.理论和实验都表明RACL结构比现有方法更节省空间,同时查询效率也较高.     

基于概念格的情景范围实例检索算法

历史版本的情景可以转化为知识实例,用于后续查询和推理。知识查询需要涉及到实例检索过程。实例检索问题可以通过ABox满足性测试(ASAT计算)完成,ASAT计算可通过Tableau算法实现。此算法比较耗时。对此,已经存在一系列技术用于优化实例检索的时间性能。该文进一步关注具有情景范围的情景知识实例检索。为了提高这一类实例检索的时间性能,提出使用概念格索引情景知识实例。由于每次查询范围不可能完全等价于格内涵所代表的区间,提出了基于概念格的实例检索算法实现特定范围的查询。通过实验和原始查询比较,使用概念格索引和此算法,时间性能得到了提高。     

面向滑动窗口法的概念格漂移计算研究

概念格是一种数据分析和规则获取的有效工具,近年来概念格的应用和研究已逐渐成为数据分析领域的一个重要研究方向.当前随着信息技术的发展,流数据成为了大数据的重要组成部分,流数据知识挖掘中普遍存在的概念漂移已经成为近年来机器学习领域的热点问题.动态概念格的构造是概念格理论研究的重要研究任务,但是在流数据环境中进行概念格的概念漂移研究在学术界还没有展开.针对流数据环境中概念格的漂移问题,提出了一种面向滑动窗口法的概念格漂移计算方法.首先对滑动窗口中的流数据进行建模;然后对滑动窗口中的流入流出概念相同、流入流出概念不同、流入流出概念部分相交、流入概念包含流出概念和流出概念包含流入概念这五种现象分别进行推理研究;最后基于上述模型理论推理,提出面向滑动窗口法的概念格构造算法,并用实例说明了该算法的有效性和高效性.     

分布式概念格的纵向合并方法研究

形式背景的核心数据结构概念格在构建过程中具有较高的时间复杂度,这一问题一直是困扰概念格进一步应用的难题。提出了一种在分布式环境下,将形式背景进行纵向拆分,构建出各站点上的概念子格后再进行合并的构建方法。用理论证明了这种合并方法的有效性和完备性,并通过实验表明了该方法与直接用形式背景构造概念格的方法相比,在时间性能上有了显著的改善。     

一种新的概念格结构——区间概念格

对经典概念格、粗糙概念格的分析表明,其概念外延或者具有全部属性,或者只具备一个属性,从而造成所提取关联规则支持度和可信度严重下降。为此提出一种新的概念格结构——区间概念格Lαβ(Mα,Mβ,Y),其概念外延是区间[α,β](0≤α≤β≤1)范围内满足内涵属性的对象集。证明了当α=β=1时,区间概念格退化为经典概念格;当β=1,α>0时,区间概念格退化为粗糙概念格;其次,给出了区间概念格中概念度量的精度、覆盖度等概念,并给出了相关性质;接着,证明了区间概念格具有的一些独特性质;然后,初步给出了构造区间概念格的方法;最后,通过实例证明了区间概念格提出的必要性和实用性。     

基于互关联后继树的概念格构造算法

概念格是知识工程中一个重要的知识表达工具，同时也是形式概念分析的核心．目前已出现了许多有效的概念格构造算法．提出了一个基于互关联后继树的概念格构造算法，以扩展的互关联后继树为数据模型，通过对树的搜索和相关判定定理完成所有形式概念的生成．分析了算法的性能，并做出相关结论．     

一种概念格渐进式构造算法

概念格是形式概念分析理论的一种数据结构,它以独特优势在许多领域获得了广泛应用,如信息检索、软件工程、知识发现等,而概念格的构造效率问题是其应用的前提。相对传统算法需要遍历原始概念格中所有结点才能确定新概念的产生子的不足,减少了概念格更新过程中需遍历的概念结点数并缩小了新概念的产生子的父概念的搜索范围,提高和改善了效率。     

基于属性的概念格渐进式生成算法

提出了一种新的基于属性的渐进式概念格生成算法 ,通过不断地渐增属性来构造概念格 .该算法不仅为概念格的构造提供了一种新的方法 ,还解决了在已构造好概念格的前提下 ,增加属性所带来的概念格更新问题 .给出了算法的实现方法 ,并结合实例说明了概念格的更新过程 .试验表明 ,在通常情况下 ,基于属性的渐进式概念格生成算法的性能往往更优越     

基于最大概念的概念格增量构造算法

针对增量概念格构造过程中,节点更新和生成元判定效率较低、边更新阶段的复杂度较高等问题,提出基于最大概念的概念格增量构造算法,通过跟踪与概念格中的概念具有相同真实内涵的最大概念,简化生成元的判断过程。该算法缩小了寻找新生节点父节点时的搜索范围,避免对生成元非必要边的判断,提高构造概念格的速度。复杂度分析结果表明,该算法的时间性能优于其他同类算法。     

基于不同蕴涵算子的模糊概念格建格算法研究

概念格是进行数据分析的有力工具,模糊集是数据处理的有效方法之一,模糊概念格有重要的理论与应用价值,但它的结构与性质依赖于蕴涵算子的选择,基于此,介绍了基于下半连续三角模生成的剩余蕴涵以及模糊概念格的算子和定义,提出了基于不同蕴涵算子的模糊概念格的实现算法,分析了算法的复杂度等性能,最后通过实例说明了基于Godel 蕴涵和Lukasiewicz 蕴涵的模糊概念格的建格方法。     

基于对象和属性交叉的渐进式概念格生成算法

在分析人类概念形成机理的基础上,提出一种基于对象和属性交叉渐进式概念格生成算法,从空概念格开始,逐个地将形式背景中的对象和属性交叉插入到概念格中,实现对概念格的渐进式构造。该算法能渐进式地有效构造概念格,解决了以往渐进式概念格生成算法针对属性和对象交叉渐增更新需要重新构造概念格的问题。     

基于对象和属性交叉渐进模糊概念格生成算法

在人类的认知过程中,真实的形式背景总是模糊和不确定的,并伴随着对象和属性交叉渐增更新。在分析人类概念形成机理的基础上,提出了一种基于对象和属性交叉渐进式模糊概念格生成算法。该算法从空概念格开始,逐个地将形式背景中的对象和属性交叉插入到模糊概念格中,实现对模糊概念格的渐进式构造。实验及分析表明该算法不仅能有效地渐进式构造模糊概念格,而且解决了以往渐进式概念格生成算法,针对属性和对象交叉渐增更新需要重新构造概念格的问题。     

基于概念格的数据挖掘方法在库存管理中的应用*

库存管理是物流系统优化的一个重要内容,利用概念格的数据挖掘方法来实现多目标优化过程中,给出了库存模型向概念格模型转换的方法,提出了一种具体的概念格的渐进式构造算法;对于概念格的数据挖掘方法,具体定义了概念格中的关联规则,并提取了库存模型中的隐藏知识,进而为实现库存模型的多目标优化提供了决策支持。     

基于搜索空间划分的概念生成算法

概念格作为形式概念分析理论中的核心数据结构,在机器学习、数据挖掘和知识发现、信息检索等领域得到了广泛的应用.概念格的构造在其应用过程中是一个主要问题.提出了一种基于搜索空间划分的概念生成算法SSPCG(search space partition based concepts generation),它将属性集合的幂集看作初始闭包搜索空间,迭代地将每个搜索空间划分为一些子搜索空间,并引入了子搜索空间的有效性判断,只搜索那些能生成正规闭包的子搜索空间,有效地提高了搜索效率;同时,在计算闭包过程中保存一些必要的中间结果,用来提高闭包运算速度.由于所有子搜索空间是独立的,所以该算法可以很容易地扩展为并行算法.在随机生成的数据集和真实数据集上进行的实验测试表明,本算法的时间性能要优于Ganter提出的NextClosure算法.