基于概念格的语言真值不确定性推理*

利用概念格来实现不确定性推理的过程中,给出了一个具体的语言真值格蕴涵代数的完备结构;作为概念格的扩充理论,提出了用于处理不确定性信息的语言真值概念格,并基于语言真值概念格给出了内逼近不确定性推理规则和外逼近不确定性推理规则,进而验证了这两种规则的还原性。     

二级不确定性的内涵处理方法

本文给出处理二级（或阶）不确定性的一种内涵方法（或称为基于模型的方法），该方法用概率簇空间表示证据空间的二级不确定性结构，用L-集合表示规则强度的二级不确定性，用概率簇空间的传递方式刻画二级不确定性的传播过程．给出了概率簇上限定化关系的传递性质，并用限定化的概念对规则组合的两种不同方式进行了比较．本文为基于知识的推理提供了新的综合框架．     

云概念格的定义、性质与应用

为改善概念格对不确定性形式背景的处理,在分析现有概念格及其改进模型的基础上,将云模型引入概念格,提出一种新的格结构——云概念格,通过云形式背景实现了多值背景与单值背景、不确定性背景与精确背景的统一。同时证明了云概念格的若干性质,讨论了云概念格在数据挖掘中的应用,并结合实例给出基于云概念格的关联规则挖掘算法。     

不确定性对象的反向最近邻查询

多数不确定性对象的反向近邻查询不能明确回答某个不确定性对象是否为查询对象的反向最近邻,针对该问题,提出概率反向最近邻查询的概念,设计不确定性对象的概率反向最近邻查询的索引结构,给出一种基于该结构的不确定性对象的反向最近邻查询算法。     

一类具有不确定性的非线性相似组合系统的鲁棒镇定

描述了两个控制系统间的相似性概念,讨论了一类具有不确定性的非线性相似组合 系统的鲁棒镇定问题.结果表明,作者构造的控制器具有结构相似性.相似结构确实可以简化 组合系统鲁棒镇定的判据.这说明,在一定程度上,具有相似结构的组合系统其相似结构具有 稳固系统的特性.     

基于三支决策粗糙集的概念漂移研究

随着大数据时代的到来,数据挖掘已经成为研究热点,概念漂移作为数据挖掘领域所面临的挑战之一,也越来越受到人们的关注。针对传统基于经典粗糙集的概念漂移探测研究不关注边界域上的概念漂移现象、不具有容错性的问题,提出了基于三支决策粗糙集的概念漂移的探测算法,该算法将概念漂移的探测拓展到了三支决策粗糙集领域,将正域概念漂移探测的意义推广到了边界域上,认为边界域上的概念漂移现象也是值得研究的且具有实际意义的。利用三支决策粗糙集能够有效模拟人类智能的不确定性和非精确性的特点,增加了该概念漂移算法的容错性。最后,通过实验验证了该算法的可行性。     

对偶区间集概念格上区间集协调集的判定方法

对偶区间集概念格是将区间集引入到对偶概念格产生的,它将对偶概念的外延与内涵从经典集合推广到区间集,使之成为一种描述不确定性概念的数学方法。而属性约简是数据挖掘的核心内容之一,是一种研究概念格本质特征的方法,它通过删除冗余属性使数据表中概念的获取与表示变得更简洁。文中主要研究对偶区间集概念格上区间集协调集的判定方法。首先基于对偶区间集概念格的同构,引入了区间集协调集,给出了对偶区间集概念格上区间集协调集的一系列判定定理,进而讨论了利用区间集协调集获取区间集属性约简的方法。     

粗糙集理论中不确定性的粗糙信息熵表示

1 引言粗糙集理论从新的视角对知识进行了定义,把知识看作是关于论域的划分,认为知识是具有粒度的(granularity),即知识是粗糙的。知识的粒度越大,其越粗糙,知识含量就越少。并认为知识的不确定性是因知识粒度太大引起的,知识的粗糙性越大,则其不确定性也越大。在粗糙集理论中,一个集合由其上逼近集合和下逼近集合来近似,因此集合存在着不确定性。另一方面,在信息论中,信息熵的概念从物理概念上反映了知识库的知识含量、不确定性及随机性的本质。因此,本文从信息熵的角度更深刻地反映知识的不确定性及集合的不确定性。     

层次粒结构下粗糙模糊集的不确定性度量

众所周知,经典粗糙集的不确定性来自于边界域,但是对于粗糙模糊集来说,其正域和负域中的元素存在不确定性,从而导致粗糙模糊集的不确定性不仅来自于边界域,还来自于正域和负域。另外,在粗糙模糊集中,一个模糊概念可以通过层次粒结构中不同的粗糙近似空间进行刻画,随着粒度的变化,模糊概念的不确定性的变化规律如何？对此,文中提出一种基于模糊度的不确定性度量公式,并基于均值模糊集分析了粗糙模糊集模型,得出粗糙模糊集不确定性度量的模型同样适合于度量概率粗糙集的不确定性的结论。其次,采用基于模糊度的不确定性度量方法,揭示了分层递阶的多粒度空间下粗糙模糊集不确定性的变化规律。然后,分析了3个域(正域、边界域和负域)的不确定性,并揭示了它们在分层递阶的多粒度空间下的变化规律。最后,通过实验验证了所提不确定性度量理论的有效性。     

覆盖粗糙模糊集的不确定性研究

不确定性度量是粗糙集理论中的基础问题之一。粗糙模糊集的不确定性一方面来自上、下近似集间差异产生的粗糙性,另一方面来自概念外延不清晰产生的模糊性。目前对于粗糙模糊集的不确定性研究仍不够透彻。针对覆盖近似空间下的粗糙模糊集不确定性,提出更加严格的度量修正准则,并借助上、下近似集隶属度与原模糊集隶属度之间的差异,给出修正粗糙度的概念。算例分析表明该方法能够更加准确地刻画实际问题。     

Representation of analysis results involving aleatory and epistemic uncertainty

Procedures are described for the representation of results in analyses that involve both aleatory uncertainty and epistemic uncertainty, with aleatory uncertainty deriving from an inherent randomness in the behaviour of the system under study and epistemic uncertainty deriving from a lack of knowledge about the appropriate values to use for quantities that are assumed to have fixed but poorly known values in the context of a specific study. Aleatory uncertainty is usually represented with probability and leads to cumulative distribution functions (CDFs) or complementary CDFs (CCDFs) for analysis results of interest. Several mathematical structures are available for the representation of epistemic uncertainty, including interval analysis, possibility theory, evidence theory and probability theory. In the presence of epistemic uncertainty, there is not a single CDF or CCDF for a given analysis result. Rather, there is a family of CDFs and a corresponding family of CCDFs that derive from epistemic uncertainty and have an uncertainty structure that derives from the particular uncertainty structure (e.g. interval analysis, possibility theory, evidence theory or probability theory) used to represent epistemic uncertainty. Graphical formats for the representation of epistemic uncertainty in families of CDFs and CCDFs are investigated and presented for the indicated characterisations of epistemic uncertainty.     

一种信度马尔科夫模型及应用

马尔科夫链以其无后效性广泛应用于自然科学和工程技术领域. 经典的马尔科夫链并不能反映对象状态的不确定性, 并且当状态划分边界过于清晰时, 状态转移情况不稳定. 为了保持状态转移的稳定性以及能够有效地表示和处理对象状态的不确定性, 本文提出了一种信度马尔科夫模型. 新模型引入了Dempster-Shafer (DS) 证据理论来描述对象状态的不确定性, 将对象的所有状态归类为一个辨识框架, 建立基本概率指派函数, 然后生成一个命题转移概率矩阵, 最后根据对象当前的状态得到将来的状态. 本文提出的信度马尔科夫模型是对经典马尔科夫链的推广, 向下兼容了它的性质. 实例表明, 新模型克服了上述缺陷, 获得了较经典马尔科夫链更加合理、准确的结果, 具有更高的有效性和实用性.     

DS 证据理论研究进展及相关问题探讨

在对证据理论的建模、推理、决策到评估各层面最新进展梳理的基础上, 针对证据理论现有研究中存在的 一些问题、混淆和误解, 结合仿真算例进行了分析和探讨, 包括据理论与概率论的关系, 证据冲突与反直观结果的 关系, 证据距离的定义以及证据理论的评价准则问题等. 最后对证据理论的发展方向进行了展望. 该研究旨在为人们正确理解和使用证据理论提供参考和借鉴作用.     

基于ELM和证据理论的纹理图像分类

目前纹理图像分类有不同的方法,但对纹理的描述还不够全面,而且当有新方法提取的特征加入时,系统的可扩展性也不够,通用性不好。本文针对上述问题提出了一种将D-S证据理论与极限学习机相结合的决策级融合模型,用来对纹理图像进行分类。采用三种不同方法来提取特征以获得更多更全面的纹理表现形式,并对提取的每种特征向量用极限学习机建立相应的分类器,最后用D-S证据理论在不确定性表示、度量和组合方面有着的优势来进行决策级融合。对于证据理论中基本概率赋值函数(BPAF)难以有效获取的问题,由于极限学习机具有学习速度快,泛化性能好的优点并且产生唯一的最优解的优点,所以利用其来构造其基本概率赋值函数。实验结果表明这种方法比单个分类器具有更高的识别正确率,降低了识别的不确定性。     

分离样本与复合样本统计证据推断的一致性

证据理论是不确定性推断的重要方法。在统计证据推断中，遗留了近二十年的分离样本观测证据支持函数的合成结果与复合样本观测证据支持函数的一致性的问题，部分地得到了解决，对容量为２的样本观测证据情况，提出了使其具有一致性的充分必要条件，并给出了这一条件的几何解释。     

D-S证据理论在电子证据内容确定性评估中的应用研究

电子证据都有不同程度的不确定性,当前理论和实践中缺乏对电子证据确定性定性、定量化的研究。文章采用D-S证据理论对电子证据内容确定性进行了评估,并与模糊综合评判法判断电子证据确定性程度做了对比分析,实验结果表明,D-S证据理论在判断电子证据确定性程度中具有可信度更高,准确性更高的特征。     

基于证据理论的不确定模式匹配方法

由于数据源数据模式的自治性、异构性，不确定性是模式匹配过程固有的本质特性。提出了一种基于证据理论的不确定性匹配方法，首先根据属性类型把模式空间分成若干模式子空间；然后将不同的匹配器结果看作不同的证据源，利用不同的匹配器的结果生成了多个基本概率分配函数，采用改进的Dempster组合规则把多个匹配器结果自动组合，减少人工干预，并解决了不同的匹配器结果组合时证据间冲突的问题；最后利用Kuhn Munkres算法获取模式映射。实验结果表明了方法的可行性和有效性。     

D-S证据理论在审计证据融合中的应用研究

古典概率难以解释审计判断的不确定性,而D-S证据理论是进行不确定性推理的有效方法,因此应用D-S证据理论进行审计证据融合的研究。针对审计证据的组合问题,提出了基于三角形模糊隶属度函数的基本概率分配函数计算方法,给出了证据组合结果的判决规则,并通过实例验证了该方法的有效性。     

证据的层次推理技术及其应用

应用证据理论实现对评价结果的不确定推理,提出证据的层次推理模型,明确证据对结论的支持关系,当证据发生变化时,只需调整相关层次上的综合参数,使得模型更加实用,通过算例,对该模型在综合评价中的应用进行了讨论并证明其合理有效。     

基于模糊理论的多传感器信息融合算法

D-S证据理论作为一种重要的不确定性推理理论,为处理传感器信息的模糊性及不确定性提供了很好的解决方法。但各个证据中的基本概率分配函数(mass函数)如何生成,仍是人们需要解决的问题。针对这一问题,提出了一种基于模糊理论中的高斯隶属度函数来得到传感器提供信息的可信度,计算了各个传感器之间的相互支持度;将各传感器的可信度和支持度转化成mass函数;利用证据理论对多传感器信息进行融合。仿真试验表明该方法能够有效提高识别的准确性和可靠性。