粒度计算的三种主要方法

粒度计算(Granular Computing,GrC)是新近兴起的人工智能研究领域的一个方向,它覆盖了所有有关粒度的理论、方法、技术和工具的研究。它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集。词计算理论、粗糙集理论、商空间理论是粒度计算的三种主要方法。文中着重介绍了这三种粒度计算的基本理论、模型和方法,以及它们之间的关系,并展望了进一步的研究方向。     

粒度计算的三种主要方法

粒度计算（Granular Computing，GrC）是新近兴起的人工智能研究领域的一个方向，它覆盖了所有有关粒度的理论、方法、技术和工具的研究。它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集。词计算理论、粗糙集理论、商空间理论是粒度计算的三种主要方法。文中着重介绍了这三种粒度计算的基本理论、模型和方法，以及它们之间的关系，并展望了进一步的研究方向。     

粒度计算方法

粒度计算是一种用来处理不完全、不可靠、不精确、不一致和不确定知识的工具,它象一把大伞,覆盖了所有有关粒度的理论、方法论、技术和工具的研究,已成为人工智能研究领域的重要热点。本文从人类智能特点出发,分析了粒度的特征,提出了商空间理论的粒度计算模型。介绍了粒度计算的主要方法,并对这些方法进行了比较。     

粒度计算模型的研究

粒度计算可以看作是利用粒度解决问题的理论、方法、技术和工具。文中介绍粒度计算的一些基本概念以及研究粒度计算的目的,阐述粒度计算研究的基本问题,分析当前粒度计算研究的几个模型,重点讨论不同粒度世界的描述法———商空间法,并从各种角度对几个模型做出比较,得出它们的联系与区别,证明几种方法各有优劣。     

粒度计算模型的研究

粒度计算可以看作是利用粒度解决问题的理论、方法、技术和工具。文中介绍粒度计算的一些基本概念以及研究粒度计算的目的，阐述粒度计算研究的基本问题，分析当前粒度计算研究的几个模型，重点讨论不同粒度世界的描述法——商空间法，并从各种角度对几个模型做出比较，得出它们的联系与区别，证明几种方法各有优劣。     

计算视觉及其正则化方法

以视觉信息处理的理论研究为中心课题的计算视觉,是当今世界视觉研究的主流.它不仅在生物智能中为我们全面地理解视觉创造了条件,而且在人工智能中为我们开发自动图象分析系统奠定了基础.本文扼要地论述了 Marr 的视觉理论和 Poggio 的视觉正则化方法,目的是要说明计算方法是研究人和机器的视觉信息处理的一个自然方法.     

不完备决策表中的粒度思想

粒度计算是粗糙集理论研究的一种强有力的工具。为了更好地研究不完备决策表中的知识获取方法,在基于粒度计算理论和极大相容块技术上,将不完备决策表分为确定的和不确定的两类,讨论了不完备决策表内在的粒度思想,并给出了两类不完备决策表在不同粒度下的相互转化关系。大量实验表明该方法是可行有效的。     

粒计算研究综述

粒计算（granular computing）是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法．它覆盖了所有有关粒度的理论、方法和技术，是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具．首先回顾了粒计算研究和发展状况，介绍了粒计算的基本组成和问题，综述了粒计算的基本模型和方法，并讨论了它们之间的相互关系，最后探讨了构建统一的粒计算模型、复杂问题空间的粒化、粒层之问的转换、高效的粒计算方法、新的粒计算模型、动态粒计算模型、自主粒计算模型、粒计算方法的模糊化以及粒计算模型的应用和推广等几个方面的关键问题．     

粒度计算中的商结构

基于商空间的粒度计算理论是目前三个主要的粒度计算理论之一.主要讨论商空间理论中的结构问题,并与粗糙集方法进行比较,指出结构在粒度计算理论中的重要性.讨论如何从结构着手来建立商空间模型.文中给出了从结构上取不同粒度来构造商空间的新方法,最后通过相关例子说明所提出的方法的合理性、可行性.     

基于知识粒度的异常数据挖掘算法

粒计算理论提供了一种新的处理不确定、不完全与不一致知识的有效方法。知识粒度是粒计算理论中度量不确定信息的重要工具之一。已有的异常数据挖掘算法主要针对确定性的异常数据挖掘,采用知识粒度度量不确定性数据,进行异常数据挖掘的研究尚未报道。为此,在引入知识粒度概念的基础上,定义了相对知识粒度及异常度来度量数据之间的异常程度,并提出基于知识粒度的异常数据挖掘算法,该算法可有效进行异常数据的挖掘。实例验证了该算法的有效性。     

粒计算的基本问题和研究

粒计算是解决不精确、不完整、模糊以及海量信息问题的理论,是粗糙集、模糊集、词计算、商空间及区间计算等理论的整合和超越,覆盖了所有有关粒的理论、方法、技术和工具的研究。它应用合适的近似解代替最佳解,是对精确求解问题的数学的补充和发展。阐述了粒计算的内涵,研究了粒计算的可行性和必要性以及其基本问题;综述了粒计算的研究现状、主要理论及其比较,并对粒计算进一步发展的方向提出了诸如借鉴可定义方式等设想。     

粒度计算及其在数据挖掘中的应用

粒度计算涵盖了所有在处理问题过程中使用粒度的理论、方法、技术和工具。本文首先简要地介绍了粒度计算的基本思想、基本问题以及它的三个主要模型(模糊集、粗糙集和商空间),然后综述了粒度计算在数据挖掘中的应用。     

不完备信息系统中基于相容粒度计算的知识获取方法

研究在不完备信息系统(incomplete information system,IIS)中的知识获取已经成为近期粒度计算研究的热点方向之一.为探索一种高效的知识获取方法,基于相容粒度计算的基本原理,针对不完备信息系统的特点,提出了一种完整的知识获取算法.该算法包括不完备信息系统的属性约简算法和系统中对象的约简算法.其主要特点是在由完全覆盖构成的粒度世界中去研究知识的表示和获取问题,其基本粒就是最大相容类.对算法的性能进行了理论和实验分析,证明了算法的有效性和可行性.     

粒计算研究现状及展望

在信息处理中,粒计算是一种新的概念和计算范式,其本质是透过合适粒度的层次来对问题进行求解,并且在此过程中去除繁冗,降低实现的复杂度。本文主要对粒计算提出的背景、概念、研究现状及发展趋势进行论述,同时也给出了作者自己的评论,最后探讨了粒计算的进一步发展方向。     

云平台下基于粗糙集的并行增量知识更新算法

日益复杂和动态变化的海量数据处理,是当前人们普遍关注的问题,其核心内容之一是研究如何利用已有的信息实现快速的知识更新.粒计算是近年来新兴的一个研究领域,是信息处理的一种新的概念和计算范式,主要用于描述和处理不确定的、模糊的、不完整的和海量的信息,以及提供一种基于粒与粒间关系的问题求解方法.作为粒计算理论中的一个重要组成部分,粗糙集是一种处理不确定性和不精确性问题的有效数学工具.根据云计算中的并行模型MapReduce,给出了并行计算粗糙集中等价类、决策类和两者之间相关性的算法;然后,设计了用于处理大规模数据的并行粗糙近似集求解算法.为应对动态变化的海量数据,结合MapReduce模型和增量更新方法,根据不同的增量策略,设计了两种并行增量更新粗糙近似集的算法.实验结果表明,该算法可以有效地快速更新知识;而且数据量越大,效果越明显.     

粒计算的四面体模型

针对粒计算缺乏统一的模型和方法的现状,以粒计算学科的四个基本要素──粒化思维方式、基本理论框架、粒化问题求解和粒化信息处理为基础,构建了粒计算学科的四面体结构模型,诠释了四面体结构模型的内涵和意义,探讨了四个基本要素相互之间的立体协同作用。通过分别对粒计算四面体结构模型“四个顶点”和“四个面”的相互整合,对该四面体结构的平稳机制进行了深入研究。     

Perception granular computing in visual haze-free task

In the past decade, granular computing (GrC) has been an active topic of research in machine learning and computer vision. However, the granularity division is itself an open and complex problem. Deep learning, at the same time, has been proposed by Geoffrey Hinton, which simulates the hierarchical structure of human brain, processes data from lower level to higher level and gradually composes more and more semantic concepts. The information similarity, proximity and functionality constitute the key points in the original insight of granular computing proposed by Zadeh. Many GrC researches are based on the equivalence relation or the more general tolerance relation, either of which can be described by some distance functions. The information similarity and proximity depended on the samples distribution can be easily described by the fuzzy logic. From this point of view, GrC can be considered as a set of fuzzy logical formulas, which is geometrically defined as a layered framework in a multi-scale granular system. The necessity of such kind multi-scale layered granular system can be supported by the columnar organization of the neocortex. So the granular system proposed in this paper can be viewed as a new explanation of deep learning that simulates the hierarchical structure of human brain. In view of this, a novel learning approach, which combines fuzzy logical designing with machine learning, is proposed in this paper to construct a GrC system to explore a novel direction for deep learning. Unlike those previous works on the theoretical framework of GrC, our granular system is abstracted from brain science and information science, so it can be used to guide the research of image processing and pattern recognition. Finally, we take the task of haze-free as an example to demonstrate that our multi-scale GrC has high ability to increase the texture information entropy and improve the effect of haze-removing.     

基于粒度计算的数据分类建模研究*

基于粒度计算在理论上对数据分类问题进行建模研究.引入全粒度空间的概念,给出了集合的粒度表示、概念学习在粒度计算理论中的解释,从而得到数据分类问题的机理分析;最后导出了基于数据分类的知识发现模型,为知识发现面临的问题提供解决的理论依据,也为进一步研究奠定了重要的理论基础.     

云计算的核心技术——粒度计算

当前信息处理技术面临着Internet网络信息更新加快,用户要求信息处理的结果更加简洁有效,因而如何帮助用户有效地处理海量信息成为了一个关键的问题。本文分析了云计算的粒度计算方法,它是实现海量数据并行处理的关键技术,并以谷歌MapReduce为例,分析了粒度计算技术具体实现的方法。