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．     

基于粒计算的多粒度数据分析方法综述

多粒度数据是一种特殊的、有用的数据类型,它通过对论域(研究对象的集合)采用不同的粒化方式使得数据能够在多个粒度空间中进行呈现,在此基础上可以开展数据的多层次知识发现研究.商空间理论、序贯三支决策、多粒度粗糙集、多尺度数据分析模型和多粒度形式概念分析是几种常见的、有效的多粒度数据分析方法,已受到人们的广泛关注.本文对基于...     

基于粒计算的多源信息融合方法综述

多源数据是一种综合多个信息源或数据集的复杂数据类型,其主要特点是不同的信息源隐含不同的知识结构,且从不同的角度刻画和描述了样本以及样本之间的关系。如何协同地融合与集成多源数据,并从不同视角快速地为用户挖掘出整体决策知识,成为数据科学领域亟待破解的科学问题。经典粗糙集理论、多粒度方法、证据理论和信息熵是常见的、有效的多源信息融合方法,已取得较为丰硕的成果。本文基于粒计算的角度对多源信息融合工作进行综述研究,介绍了每种信息融合方法的基本概念以及主要研究思路,并提出了多源信息融合领域中存在的若干问题,为该领域的后续研究提供理论参考。     

粒空间中基于粒计算的粒语义推理

在论域上定义公式,并因其与粒相对应,使得粒空间得以形成.在粒空间中由粒之间的关系确定出粒语义推理,并对此进行讨论.通过粒计算,证得粒语义推理满足命题逻辑自然推理系统的每一推理规则,因此粒空间上的可靠性成立,这表明形式推理蕴涵粒语义推理.尽管粒空间上的完备性不成立,但结果表明粒语义推理是各经典推理模式的扩充,所以粒语义推理既拓宽推理研究的范围,又引进粒计算的研究方法,促成粒计算与逻辑推理的进一步融合.     

二进制粒计算模型

粒计算是一种处理不确定性数据的理论方法,涵盖粗糙集、模糊集、商空间、词计算等。目前,数据的粒化与粒的计算主要涉及集合的运算与度量,集合运算的低效制约着粒计算相关算法的应用领域。为此,提出了一种二进制粒计算模型,给出了粒的三层结构,包括粒子、粒群与粒库,并定义了二进制粒子及二进制粒子的运算,将传统的集合运算转化为二进制数的计算,进一步给出了二进制粒子的距离度量,将等价类的集合表示方式转化为粒子的距离度量表示方式,给出了粒子距离的相关性质。该模型定义了二进制粒群距离的概念,给出了二进制粒群距离的计算方法,提出了基于二进制粒群距离的属性约简方法,证明了该方法与经典粗糙集约简方法的等价性,并以二进制粒群距离作为启发式信息,给出了两种约简算法。     

粒及粒计算在逻辑推理中的应用

讨论了信息粒的结构及其实例。基于Rough集方法定义了决策规则粒,构造了决策规则粒库,它被用作逻辑推理。定义了粒语言,描述了这种语言的语法、语义、粒语句的运算法则和粒之相关的几个性质。定义了粒之间的相互包含(inclusion)和相似(closeness)。基于这些概念,构造了一种逻辑推理的新模型。这种推理模式的特点在于它既是逻辑的又是集合论的。所谓逻辑的就是说推理是遵循一种逻辑运算;所谓集合论的是指这种推理可利用对应于这种逻辑公式的意义集的运算进行推理,还用实例说明了这种推理模式是可行和有效的。     

粒计算研究现状及基于Rough逻辑语义的粒计算研究

综述了粒计算的提出背景、研究现状及其发展趋势,也给出了作者的评论;论述了粒计算应用的广泛性,包括AI中的图像检索、医学诊疗系统、连续数学中的积分学及其它许多逻辑推理等方面的应用.讨论了粒计算将有希望成为处理信息和研究其它学科的理论工具和方法学.讨论了粒计算中基于Rough逻辑语义的粒及其相关性质,建立了这种粒的演绎推理.提出了基于Rough逻辑语义的粒归结原理和归结策略,包括λ-归结策略和锁归结策略.证明了这种粒归结的完全性.基于Rough逻辑语义的粒在AI的问题求解、专家系统以及机器定理证明中都将成为一种新的研究思想和新的理论工具.最后,提出了这种基于Rough逻辑语义的粒计算研究前景.     

粒计算理论及其应用

粒计算是一种新的软计算方法。文章首先介绍了粒计算产生的背景,然后在软计算概念的基础上介绍了粒计算的思想、概念、研究内容及其数学描述,并叙述了粒计算的应用领域。粒计算对人类求解复杂问题非常重要,将对人工智能系统的设计和实施有显著的影响。     

网络结构分析的粒计算

网络结构分析是人工智能领域基本问题。应用粒计算方法讨论了网络结构信息计算,从粒计算基本问题角度,采用商空间理论研究了网络结构粒化和粒化后不同粒度空间中的问题,特别是基于粒化如何计算不同粒层的粒间距离问题。应用方面,讨论了大规模网络结构最短路径搜索问题。作为大规模网络路径分析的预处理方法,选择社团作为基本粒,将大规模网络粒化到不同的粒度空间,形成不同粒度商空间的分层递阶粒度链。提出了基于分层递阶粒度链的大规模网络的启发式路径搜索方法。与A*和ALT方法进行了比较,验证了粒计算方法的有效性。     

粒计算的基本要素研究

要为粒计算建立一个统一的、通用的模型框架,必须要研究粒计算的基本要素。文中从一门学科的构成体系出发,讨论了粒计算学科必须要解决的内在思维逻辑、理论模型、方法论体系和核心计算模型等四个基本问题,它们构成了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,给出了四个基本要素的含义及金字塔层次结构,分析了金字塔层次结构的主导作用、核心作用、保证作用和关键作用等四个层次作用,探讨了四个基本要素相互之间的立体协同作用。因此,四个基本要素“四位一体”将会共同促进粒计算学科的良性发展。     

一种新的计算方法:粒度进化计算

从分析进化计算的起源入手,总结了进化计算产生的根源,然后探讨了人类进化——文化进化的基本特征,模仿进化计算的来源机制,提出了粒度进化计算。如果说进化计算是模拟达尔文生物进化机制而发展起来的一种计算方法,那么粒度进化计算则是在模仿文化进化机制的基础上,综合了Agent技术以及粒度计算、进化计算的理论和方法而提出的一种计算方法。文中,从群进化和超群进化两方面来介绍粒度进化计算的基本原理和方法,并给出了基于粒度Agent系统的粒度进化递归模型。     

Granular data imputation: A framework of Granular Computing

Data imputation is a common practice encountered when dealing with incomplete data. Irrespectively of the existing spectrum of techniques, the results of imputation are commonly numeric meaning that once the data have been imputed they are not distinguishable from the original data being initially available prior to imputation. In this study, the crux of the proposed approach is to develop a way of representing imputed (missing) entries as information granules and in this manner quantify the quality of the imputation process and the quality of the ensuing data. We establish a two-stage imputation mechanism in which we start with any method of numeric imputation and then form a granular representative of missing value. In this sense, the approach could be regarded as an enhancement of the existing imputation techniques.Proceeding with the detailed imputation schemes, we discuss two ways of imputation. In the first one, imputation is realized for individual variables of data sets and afterwards enhanced by the buildup of information granules. In the second approach, we are concerned with the use of fuzzy clustering, Fuzzy C-Means (FCM), which helps establish a structure in the data and then use this information in the imputation process.The design of information granules invokes the fundamentals of Granular Computing, namely a principle of justifiable granularity and an allocation of information granularity. Numeric experiments concerned with a suite of publicly available data sets offer detailed insights into the main facets of the overall design process and deliver a parametric analysis of the methods.     

Granular Computing

The basic ideas and principles of granular computing (GrC) have been studied explicitly or implicitly in many fields in isolation. With the recent renewed and fast growing interest, it is time to extract the commonality from a diversity of fields and to study systematically and formally the domain independent principles of granular computing in a unified model. A framework of granular computing can be established by applying its own principles. We examine such a framework from two perspectives,granular computing as structured thinking and structured problem solving. From the philosophical perspective or the conceptual level,granular computing focuses on structured thinking based on multiple levels of granularity. The implementation of such a philosophy in the application level deals with structured problem solving.     

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。     

Granular Computing for Data Analytics: A Manifesto of Human-Centric Computing

In the plethora of conceptual and algorithmic developments supporting data analytics and system modeling, humancentric pursuits assume a particular position owing to ways they emphasize and realize interaction between users and the data. We advocate that the level of abstraction, which can be flexibly adjusted, is conveniently realized through Granular Computing. Granular Computing is concerned with the development and processing information granules-formal entities which facilitate a way of organizing knowledge about the available data and relationships existing there. This study identifies the principles of Granular Computing, shows how information granules are constructed and subsequently used in describing relationships present among the data.      

粒度计算研究综述

粒度计算GrC（Granular Computing）是信息处理的一种新的概念和计算范式,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,也是软计算科学的一个分支,已成为模糊的、不完整的、不精确的及海量的信息处理的重要工具和人工智能研究领域的热点之一.本文综述了粒度计算的发展动机、研究现状及发展趋势,着重介绍了粒度计算的主要理论模型与方法及其在不同领域的应用,对存在的问题进行了分析,并提出了进一步研究的方向.     

粒计算的一种覆盖模型

为了在一种更为广泛的背景之下研究粒计算的基本问题(诸如粒化、粒的计算及粒空间之间信息粒转化等),在放弃等价关系的3个条件的基础上提出了一种基于覆盖的粒计算模型,进一步推广了已有的工作。在该模型下,重新定义了Zoom-in算子与Zoom-out算子。对于论域及粒化了的论域而言,Zoom-in算子与Zoom-out算子的不同复合会产生不同的近似算子。研究了这些近似算子的性质并建立起它们与拓扑空间及Galois联络之间的联系。     

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。     

粒计算的集合论描述

粒计算的形式化研究一直没有被仔细讨论.文中在集合论框架下,对粒计算做了系统研究,给出了粒度空间的三层模型(论域,基,粒结构).借用逻辑语言L判定粒的可定义性,将经典粗糙集通过此模型重新解释.根据模型中从基到粒结构不同的构造规则,引出并可约和交可约粒度空间的定义,分别讨论了不同粒度空间下覆盖、基和粒结构的关系,从而给出从覆盖求基的方法;进一步,利用子系统表示方法对扩展粗糙集以及一般的交可约与并可约空间的上下近似进行了研究,分析了现有的4种基于覆盖的粗糙集模型的合理性;研究了形式概念分析以及知识空间的粒度空间模型,给出这两种理论中上下近似的概念.