基于属性的概念格快速渐进式构造算法

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.提出了采用树结构对概念格节点进行组织,研究了基于属性的概念格渐进式构造算法.概念格节点的树结构组织可以约束更新格节点和产生子格节点的搜索范围,从而可以有效地减少算法的执行时间.在随机生成的数据集上进行的实验测试表明,本算法的时间性能更优越.     

树状结构组织的属性优先的概念格渐进式算法

通过对概念格渐进式构造过程的分析,采用树结构对概念格节点进行组织,研究了利用这种树状组织的渐进式生成属性优先的概念格的构造算法。并结合实例说明了概念格的树结构组织在属性优先的渐进式生成概念格时,能有效地缩小产生子格节点的搜索范围和新增格节点的父节点和子节点的搜索范围,从而能快速生成概念格。     

概念格的快速渐进式构造算法

概念格作为形式概念分析理论中的核心数据结构，已经在知识工程和软件工程等领域得到了广泛的应用。概念格的快速构造在其应用过程中具有重要的意义，研究人员已经提出了一系列构造概念格的算法，其中渐进式算法是很有前途的一类。该文通过对概念格渐进式构造过程的分析，识别出要解决的基本问题，提出了采用树结构对概念格节点进行组织，研究了基于这种树状组织的概念格快速渐进式算法，并给出了算法的伪码。概念格节点的树结构组织有利于识别出格节点的类型以及约束新生格节点的父节点和子节点的搜索范围，从而可以有效地减少算法的执行时间。实验结果表明，基于这种树状索引的渐进式构造算法的时间性能要明确优于著名的Godin算法。     

粗糙概念格构造的算法

针对形式背景,利用概念外延与内涵之间特殊的关系,结合粗糙集上下近似概念,提出一种粗糙概念格构造算法,属性约简后运用粗糙度进行挖掘,获取可靠性知识。在构造过程中,对节点属性进行判断,有效地降低算法的时间复杂度。实际案例分析结果表明,通过属性约简与粗糙度的结合,该算法可以有效地挖掘获取可靠性知识,为数据分析挖掘知识提供了一种可行的思路和方法。     

基于改进差别矩阵的属性约简增量式更新算法

针对目前基于差别矩阵的属性约简算法需要耗费大量的时间和空间,粗糙集中求属性核和属性约简更新效率低以及有关属性约简的增量式更新算法目前还比较少等问题,提出了一种基于改进差别矩阵的属性约简增量式更新算法.该算法在更新差别矩阵时,仅须插入某一行及某一列,或删除某一行并修改相应的列,因而可有效地提高核和属性约简的更新效率.然后在分析新增对象x与原决策系统对象的关系的基础上,给出了属性约简增量更新算法.理论与实验分析表明,提出的算法提高了属性约简的更新效率,明显降低了时间和空间复杂度.     

概念格的属性渐减原理与算法研究

渐进式算法是概念格构造的一类重要算法,但大多关注于形式背景中对象或属性增加的情况.而当形式背景的属性减少时,已有的算法则需要重新构造概念格,较为费时.针对这一情况,研究了属性消减后从原概念格渐进式产生新概念格的理论和算法,并且算法时间复杂度较低.首先分析了原概念格和新概念格中节点间的映射关系以及从原概念格到新概念格中边(节点间的前驱-后继关系)的变化规律.在此基础上,提出了自顶向下和自底向上两种渐进式的概念格属性渐减算法.算法能够对原有概念格直接进行修改来得到新的概念格,避免了从形式背景重新构造概念格,时间复杂度降低为O(‖ L ‖·G ‖·‖M ‖).实验及分析表明,当属性减少时,能比传统算法节省大量的运行时间.     

基于样例选取的属性约简算法

计算属性约简是粗糙集框架下归纳学习的关键部分.基于差别矩阵的属性约简算法是常用的属性约简算法之一.给定一个信息系统,利用该算法可以求出信息系统的所有属性约简.但是该算法需要的存储空间大,执行时间长,特别是对于大型数据库,差别矩阵的存储成为其应用的瓶颈.针对这一问题,提出了一种基于样例选取的属性约简算法,算法分为3步:首先从样例集中挑选出重要的样例;然后用选出的样例构造差别矩阵;最后计算信息系统的所有约简.实验结果显示,当处理大型数据库时,新算法能有效地减少存储空间和执行时间.     

基于加权浓缩树的粗糙集属性约简算法

针对基于分辨矩阵约简算法中存在冗余元素,从而导致空间存储代价高的问题,提出一种基于加权浓缩树的属性约简算法。该算法可以进一步剔除冗余元素,压缩存储分辨矩阵中的信息,并且在构建树结构的过程当中考虑了属性重要度的影响。实验结果与C-Tree及差别信息树算法进行比较,提出的算法可以获得更优的属性约简结果,有效地降低了空间复杂度。     

基于二元关系消减的概念格维护算法

针对有限空间下如何快速维护概念格的问题,提出一种消减形式背景中冗余二元关系的概念格维护算法。传统的算法删除冗余关系后需要重新构造概念格,这种方式较为费时。而所提算法能够在原始概念格的基础上直接调整得到新概念格的方法,可以处理任意位置的二元关系消减的情况。它采用自底向上广度优先方式遍历格节点,首先根据当前节点是否同时包含冗余关系对象和冗余关系属性,将当前节点分为受影响的节点和不变节点;然后根据当前节点与父子节点的外延和内涵的关系,再将受影响的节点细分为4类,即减对象节点、减属性节点、分割节点、删除节点;最后根据父子节点的类型更新边。实验结果表明,在一定程度上与传统算法相比,所提算法能够获得更好的时间性能。     

一种基于改进差别矩阵的属性约简增量式更新算法

粗糙集方法提供了一种新的处理不精确、不完全与不相容知识的数学工具.属性约简是粗糙集理论的重要研究内容之一,已有的大多数属性约简算法主要考虑信息系统(或决策表)不变的情况,有关属性约简的增量式更新算法却报道不多.为此,文中提出一种基于改进差别矩阵的属性约简增量式更新算法,主要考虑对象动态增加情况下属性约简的更新问题.该算法可通过快速更新差别矩阵,在动态求解核的基础上,利用原有的属性约简有效地进行属性约简的增量式更新,因而可提高属性约简的更新效率.理论分析表明,该文提出的算法是有效可行的.     

粗糙本体构建的格-树转化方法

粗糙本体是处理不精确性信息的一种基础性工具,其存在形式是由粗糙概念和粗糙关系构成的树形结构。粗糙本体的具体形式因为参与构建的领域专家的不同而呈现多样性,然而同样也是由粗糙概念和粗糙关系构成的粗糙概念格却具有结构上的惟一性。粗糙本体的构建因而可以利用格和树的组成与结构的相似性,构建粗糙概念格,转化生成粗糙本体。探讨了格-树转化方法的实现步骤：构建粗糙概念格;聚类粗糙概念格中的粗糙概念生成粗糙概念树;转化粗糙概念树为粗糙本体。构建实例阐释了格-树转换方法的具体应用。     

采用二叉树结构生成概念格的算法

概念格是数据分析的一种有力工具。而二叉树在数据结构中具有简单的存储结构。给出了一类具有特殊结构的概念格,针对这种类型的概念格,采用二叉树的结构对概念格的节点进行重新的组织,研究了基于添加对象的渐进式生成概念格的算法。利用这种二叉树的结构,在某些情况下可以减少判断不变概念或更新概念的范围,同时,结合实例说明了这种算法的有效性。     

基于概念格的信息检索及其树形可视化

概念格作为形式概念分析理论重要的数据表示形式,因其生动简洁地体现概念之间的泛化和特化关系,被广泛应用于知识获取与信息检索领域。在使用概念格进行检索的过程中,随着概念格中概念以及概念之间关系的增加,呈现的格结构容易产生边交叉现象,造成视觉混淆,导致目标信息遗漏。针对这一问题,结合概念格在信息检索方面的优越性以及树形结构在可视化方面的有序性,首先用概念格结构存储数据信息,然后在信息展示时将格结构转化成树形结构,使用户不仅可以通过多条路径检索到目标信息,且结构清晰。最后通过将概念格树形化方法应用于音乐工具分类检索场景中,验证该方法的实用性。     

基于负载均衡的模糊概念并行构造算法

提高模糊概念格直接构造效率是形式概念分析领域的主要问题之一,而当前基于模糊伽罗瓦联系的闭包运算仍是构造模糊概念的主要计算负荷,为此,提出一种基于负载均衡的并行构造模糊概念算法.该算法使用树状结构组织,遍历由自然数区间简化的搜索空间,逐级并行产生模糊概念、缩减搜索区间,并通过重新划分子搜索空间,实现各个计算节点负载均衡.实验结果表明,所提出的算法在稀疏数据集上表现优秀,能够有效地提高模糊概念构造效率.     

FUZZY LABELS,IMPRECISION AND CONTEXTUAL DEPENDENCY Comments on Milan Zelený's “Cognitive Equilibrium: a Knowledge-based Theory of Fuzziness and Fuzzy Sets”

Formal concept analysis is a method of exploratory data analysis that aims at the extraction of natural clusters from object-attribute data tables. The clusters, called formal concepts, are naturally interpreted as human-perceived concepts in a traditional sense and can be partially ordered by a subconcept-superconcept hierarchy. The hierarchical structure of formal concepts (so-called concept lattice) represents a structured information obtained automatically from the input data table. The present paper focuses on the analysis of input data with a predefined hierarchy on attributes thus extending the basic approach of formal concept analysis. The motivation of the present approach derives from the fact that very often, people (consciously or unconsciously) attach various importance to attributes which is then reflected in the conceptual classification based on these attributes. We define the notion of a formal concept respecting the attribute hierarchy. Formal concepts which do not respect the hierarchy are considered not relevant. Elimination of the non-relevant concepts leads to a reduced set of extracted concepts making the discovered structure of hidden concepts more comprehensible. We present basic formal results on our approach as well as illustrating examples.     

基于属性的概念格渐进式构造原理与算法

为了提高概念格生成的效率,证明了概念的生成及其插入位置只与最新生成的概念有关,与先前生成的大量概念无关。设计算法并编写程序,程序运行结果表明,在形式背景插入属性时,概念格中增加的新生概念数量较少,且不随概念格规模的增大而迅速增大,概念格生成时间明显缩短。     

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.     

基于概念格的规则产生集挖掘算法

传统的规则提取算法产生的规则集合相当庞大，其中包含许多冗余的规则．使用闭项集可以减少规则的数目，而概念格结点问的泛化和例化关系非常适用于规则提取．基于概念格理论和闭项集的概念，提出了一种新的更有利于规则提取的格结构，给出了相应的基于闭标记的渐进式构造算法和规则提取算法．最后提供给用户的是直观的、易理解的规则子集，用户可以有选择地从中推导出其他的规则．实验表明该方法能够高效地挖掘规则产生集．