不完备信息系统中知识粒度的公理化定义与度量方法

给出不完备信息系统中知识粒度的公理化定义,在此基础上提出一系列知识粒度度量方法.其中有不带参数的具体度量,也有带参数的一般性度量,并比较3个知识粒度的大小.另外,还给出不同粒度的4种组合形式.本文所给出的知识粒度度量方法对于在不完备信息系统中建立粒度计算有着重要的理论意义和应用价值.     

一种基于知识粒度的启发式属性约简算法

属性约简是粗糙集理论进行知识获取的核心问题之一。根据属性相似度与知识粒度的一致性,通过条件属性与决策属性以及条件属性之间的相似度度量,提出了一种基于知识粒度的启发式属性约简算法。根据条件属性与决策属性的相似度对条件属性进行降序排列,根据条件属性之间的相似度度量选择重要的属性,从而得到约简集合。理论分析与实验结果表明,该算法具有较高的运行效率和较好的约简效果。     

集值序信息系统的信息熵和知识粒度

针对已有文献中二元优势关系定义过于宽松的不足,在集值序信息系统中结合对象间的不同优势程度,提出δ-优势关系的概念;基于δ-优势关系,将信息熵和知识粒度引入集值序信息系统中进行不确定性的度量。结论表明提出的信息熵和知识粒度可以精确地度量集值序信息系统的不确定性。     

信息系统中的熵理论和信息粒度

不确定性是人工智能中的研究热点,而熵理论和信息粒度是度量信息系统不确定性的两种主要方法。本文在给出信息系统中熵的物理意义基础上,提出了信息系统中熵增加原理,给出了熵和信息粒度的公理化定义,据此构造了两种新的不确定性度量函数—α熵和α粒度,它们是已有熵和粒度度量的进一步推广。研究表明,α熵以及现有的熵度量都是广义熵的特殊形式,而α粒度以及现有的粒度度量都是广义粒度的特殊形式,从而统一、规范和发展了完备与不完备信息系统中的不确定性度量方法。     

一种基于不可区分度的组合熵与组合粒度

组合熵与组合粒度是一种新的度量信息系统不确定性的有效方法。基于对象之间的不可区分度将组合熵与组合粒度的概念推广到非完备信息系统中,并给出二者的性质。经证明,非完备信息系统中的组合熵与组合粒度之间具有严格的互补关系,并可退化为完备信息系统中的组合熵与组合粒度。实例表明该方法能够对非完备信息系统中的不确定性进行有效的度量,拓展了组合熵与组合粒度的应用范围。     

不同知识粒度下粗糙集的不确定性研究

粗糙集的不确定性度量方法,目前主要包括粗糙集的粗糙度、粗糙熵、模糊度和模糊熵.在不同知识粒度下,从属性的角度,给出了分层递阶的知识空间链,发现在分层递阶的知识粒度下部分文献中定义的粗糙集的粗糙熵和模糊度随知识粒度的变化规律不一定符合人们的认识规律.从信息熵的角度提出了一种粗糙集不确定性的模糊度度量方法,证明了这种模糊度随知识粒度的减小而单调递减,弥补了现有粗糙熵和模糊度度量粗糙集不确定性的不足.最后,分析了在不同知识粒度下粗糙度和模糊度的变化关系.     

对象间差异度的限制非对称相似关系模型

经典Rough集理论主要是利用了不可分辨关系对完备信息系统进行分析的。对现有粗糙集模型进行扩充后,才可以应用于不完备信息系统。容差关系、非对称相似关系、基于对象间完备度的限制容差关系、限制非对称相似关系等是现有的扩充模型。通过分析其优点和不足之处,提出一种新的模型——对象间差异度的限制非对称相似关系模型,在该模型中,给出的知识粒度更精确,更符合实际。实例结果也证明新模型可以从不完备信息系统获取更加精确的知识粒度。     

基于多粒度粗糙直觉犹豫模糊集的最优粒度选择方法

为了对含有多属性的直觉犹豫模糊决策信息系统进行约简,获取最优粒度,运用多粒度粗糙集处理直觉犹豫模糊决策信息系统中的不确定信息,并对多粒度粗糙直觉犹豫模糊集的最优粒度选择方法进行了研究.首先,在直觉犹豫模糊集的基础上引入属性信息,给出粗糙直觉犹豫模糊集的概念,提出乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种模型,且研讨了它们的性质.其次,主要定义了基于悲观多粒度粗糙直觉犹豫模糊集下近似的粒度质量相似度和内、外粒度重要度的计算公式,设计了其最优粒度选择算法.最后,通过葡萄酒测评的案例,分别基于乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种情况,计算出最优粒度并进行了分析,验证了该算法在直觉犹豫模糊决策信息系统中的约简是有效的.     

一种基于矩阵的知识粒度计算方法

不确定性是粗糙集理论研究中的热点问题之一,而知识粒度是度量知识系统不确定性的一种重要方法.文中从矩阵的视角探讨知识粒度、粗糙度和属性重要度等概念的计算方法并分析知识粒度矩阵算式的内在含义,揭示出知识粒度与等价关系矩阵之间的关系.在提出知识粒层次结构的基础上进一步探讨了属性增删时知识粒度的变化规律.最后结合属性增删时不可分辨关系矩阵的更新将属性重要度的矩阵计算方法应用于求属性集的核集和最小约简中,算例表明属性重要度的矩阵计算方法在属性约简中的有效性.     

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。     

基于支持度的限定记忆二次融合算法*

在先验知识未知的情况下对多传感器信息进行融合,提出了基于支持度的限定记忆二次融合算法。为了保证融合权重分配的合理性,算法利用绝对距离度量传感器观测值之间的相互支持程度,并引入限定记忆控制项来防止陈旧信息引起的数据饱和。为了进一步保证故障发生时的融合效果,在一次融合的基础上,引入灰关联度对量测数据进行优势分析,并对分析调整后的数据进行二次融合。仿真结果表明,该算法可进一步提高融合精度,具有较强的容错和抗干扰能力。     

知识约简的逻辑特征

论文研究信息系统的规则提取问题,研究规则的形式、可信度,从非经典逻辑的角度讨论信息系统约简前后规则的相互关系,进而更深入地了解各种知识约简方法的特点与相互关系。     

基于支持度的多传感器一致可靠性融合

对于任何先验知识未知的多传感器检测同一目标的情形,提出利用指数衰减函数度量传感器观测值的相互支持程度.根据支持度矩阵,获得各传感器在不同时刻的一致性度量.引入与一致性度量序列均值正相关,与方差负相关的序列作为传感器的权系数.用三个噪声分布未知的热电偶对恒温箱温度的观测值检验算法,仿真结果表明:由于既考虑了观测值的一致性,又考虑了传感器的可靠性,算法是有效的.     

A rough set approach to knowledge reduction based on inclusion degree and evidence reasoning theory

Abstract: The theory of rough sets is an extension of set theory for studying intelligent systems characterized by insufficient and incomplete information. We discuss the basic concept and properties of knowledge reduction based on inclusion degree and evidence reasoning theory, and propose a knowledge discovery approach based on inclusion degree and evidence reasoning theory.     

以互信息为度量的一种规则可视化

概念格是一种有效的知识表示和知识发现的工具,已被成功应用于许多领域,然而在建格上大多是利用最小支持度以及置信度来进行约简操作,同时利用置信度来进行规则提取。提出以信息论的互信息来构造具有强关联规则的Hasse图,并利用互信息进行规则提取。     

基于信息扩张机制的意外规则处理新方法研究

文中利用知识发现领域中的信息扩张机制,研究提出一种对意外规则取舍和理解的新处理方法——三度（规则支持度、可信度、充分性因子）变化趋势分析,再结合规则前件、后件的支持度的历史变化规律的呈现和分析,得到可保留的规则。并帮助用户充分理解规则,合理运用规则。这项研究对知识发现的后处理与可实现性、实用性起着重要的作用。     

基于模糊支持度采样的粒子滤波算法

针对粒子滤波中重采样导致粒子多样性减弱造成的滤波精度下降问题,给出了一种基于模糊支持度采样的改进粒子滤波算法;该算法在重采样过程后,首先根据MCMC(Markov Chain Monte Carlo)原理抽取候选粒子,然后依据重采样粒子和候选粒子自身数据中的蕴含信息,并结合模糊理论构建支持度函数和支持度矩阵,以充分地提取数据中的有效信息,在增强粒子多样性的同时实现其对于粒子的优选;最后仿真结果表明,该算法可有效地提高对于系统状态的估计精度。     

改进的动态加权多传感器数据融合算法

为采用多个传感器对某一目标特性进行多次测量,提出一种改进的动态加权多传感器数据融合算法。利用模糊集合理论中的隶属函数构造各观测值的支持度矩阵,通过增加矩阵维数度量观测数据在整个观测区间的相互支持程度,采用矩阵特征向量的稳定理论分配融合权重,得到数据融合估计的最终表达式。仿真结果表明,与同类方法相比,该方法的融合精度较高,具有较好的稳健性。     

课程知识地图集的研究与应用

随着高校教育的发展,课程和教师增加得越来越多.为了促进课程和教师知识的共享,研究了知识地图集的使用.以知识地图集的理论为基础,计算了课程间的相似度、教师的隶属度和相似度,并构建了相应的课程知识地图和教师知识地图.通过知识地图实现了课程和教师间的相互导航,并能为用户推荐相应的教师.最后还把知识地图集应用于查询,提高了查询的效率.本文的研究对知识的共享有一定的积极意义.     

基于相互邻近度的密度峰值聚类算法

密度峰值聚类算法对密集程度不一数据的聚类效果不佳,样本分配过程易产生连带错误.为此,提出一种基于相互邻近度的密度峰值聚类算法.所提算法引入k近邻思想计算局部密度,以此保证密度的相对性.定义综合数据全局和局部特征的样本相互邻近度的度量准则,据此准则,提出一种新的样本分配策略.新的分配策略采用k近邻思想寻找密度峰值,将密度峰值的k个近邻点分配给其对应类簇,对所有已分配数据点寻找相互邻近度最高的未分配数据点,将未分配数据点分配给已分配数据点所在类簇.在合成和UCI数据集上,将所提算法与DPC、DBSCAN、OPTICS、AP、K-Means及DPC的改进算法进行比较,实验结果表明,所提出的算法性能最优.