区间概念格的纵向维护原理与算法

区间概念格是唯一能直接反映具备一定数量或比例的内涵中属性的对象集合的格结构。格结构是根据对象-属性的二元关系构造的,形式背景中的属性是时刻变化的,为使概念格能反映属性变化后的数据规律进而提取新的规则,提出了区间概念格的纵向维护算法。算法在分析了区间概念格的概念外延特点及结构特征后,给出了区间概念格在增加属性、删除属性两种情况下的维护算法,进而通过算法分析表明了维护较重构在时间与空间上的高效性,最终用实例表明了维护算法的可行性。     

基于对象和属性交叉渐进模糊概念格生成算法

在人类的认知过程中,真实的形式背景总是模糊和不确定的,并伴随着对象和属性交叉渐增更新。在分析人类概念形成机理的基础上,提出了一种基于对象和属性交叉渐进式模糊概念格生成算法。该算法从空概念格开始,逐个地将形式背景中的对象和属性交叉插入到模糊概念格中,实现对模糊概念格的渐进式构造。实验及分析表明该算法不仅能有效地渐进式构造模糊概念格,而且解决了以往渐进式概念格生成算法,针对属性和对象交叉渐增更新需要重新构造概念格的问题。     

基于对象和属性交叉的渐进式概念格生成算法

在分析人类概念形成机理的基础上,提出一种基于对象和属性交叉渐进式概念格生成算法,从空概念格开始,逐个地将形式背景中的对象和属性交叉插入到概念格中,实现对概念格的渐进式构造。该算法能渐进式地有效构造概念格,解决了以往渐进式概念格生成算法针对属性和对象交叉渐增更新需要重新构造概念格的问题。     

基于属性的概念格渐进式生成算法

提出了一种新的基于属性的渐进式概念格生成算法 ,通过不断地渐增属性来构造概念格 .该算法不仅为概念格的构造提供了一种新的方法 ,还解决了在已构造好概念格的前提下 ,增加属性所带来的概念格更新问题 .给出了算法的实现方法 ,并结合实例说明了概念格的更新过程 .试验表明 ,在通常情况下 ,基于属性的渐进式概念格生成算法的性能往往更优越     

基于属性链表的概念格纵横向维护算法

概念格的维护是对已建好的概念格进行对象的插入、删除和修改、属性的删减操作时使概念格保持其特性的一种操作。该文提出了一种基于属性链表的概念格的纵横向维护算法,并对算法进行了分析,得出了较高的时间效率。     

基于矩阵秩的概念格生成算法

形式概念分析的核心是概念格,它在本质上描述了对象和属性之间的联系,表明了概念之间的泛化和例化关系。利用矩阵行秩的概念及概念格上的二元运算提出了一种基于矩阵秩的概念格生成算法,实例表明该算法行之有效。     

概念格维护原理与算法

将把形式背景的变化分为对象-属性关系的增加和删除、对象或属性的增加和删除两类,分别研究了这两类变化引起的概念格的维护问题。在对象-属性关系的增加引起的概念格维护中,提出了父子概念对的概念,用来确定概念格维护的位置以及概念之间关系的调整。在对象-属性关系的删除引起的概念格维护中,提出确定概念格维护位置后用父子概念对代替被维护的概念,对父子概念对中的冗余概念进行判别并对父子概念对进行更新。在对象或属性的删除引起的概念格维护中,提出了利用唯一路径上的关键概念来调整因为概念的删除引起的概念之间关系的变动。     

基于属性的概念格快速渐进式构造算法

提出了一种新的基于属性的概念格快速渐进式构造算法,通过不断地渐增属性来构造概念格。以往的渐进式算法嘟是基于对象的,当数据库属性数目发生变化时,需要重新构造概念格。该算法不但解决了这个问题,而且提供了一种渐进式构造概念格的新方法和思路。给出了该算法的实例,用来说明形式背景在新添加属性后概念格的更新过程。实例与实验表明基于属性的概念格快速渐进式构造算法是快捷有效的。     

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。     

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.     

A lattice-free concept lattice update algorithm

Upon a change of input data, one usually wants an update of output computed from the data rather than recomputing the whole output over again. In Formal Concept Analysis, update of concept lattice of input data when introducing new objects to the data can be done by any of the so-called incremental algorithms for computing concept lattice. The algorithms use and update the lattice while introducing new objects to input data one by one. The present concept lattice of input data without the new objects is thus required by the computation. However, the lattice can be large and may not fit into memory. In this paper, we propose an efficient algorithm for updating the lattice from the present and new objects only, not requiring the possibly large concept lattice of present objects. The algorithm results as a modification of the Close-by-One algorithm for computing the set of all formal concepts, or its modifications like Fast Close-by-One, Parallel Close-by-One or Parallel Fast Close-by-One, to compute new and modified formal concepts and the changes of the lattice order relation only. The algorithm can be used not only for updating the lattice when new objects are introduced but also when some existing objects are removed from the input data or attributes of the objects are changed. We describe the algorithm, discuss efficiency issues and present an experimental evaluation of its performance and a comparison with the AddIntent incremental algorithm for computing concept lattice.     

一种基于偏序集直积的增量式概念格构造算法

目前,概念格的构造算法可分为批处理式和增量式两类.已有的增量式算法只适用于单个对象的逐个插入更新的情况,然而,在大多数的数据库中,更新操作往往是同时插入多个对象.为了适应这种情况,基于偏序集的直积运算,提出了一种新的增量式概念格构造算法,这种算法可以一次性地加入一个对象集合,而且在生成概念的同时,能够构造出概念格的Hasse图,从而完全解决了上述问题.最后,用一个实例检验了算法的正确性.     

基于内涵模糊概念格的汽车评价知识发现方法研究

为了有效利用汽车评论数据,参照已建立的汽车评价本体,从文本中抽取评价搭配对,提出基于五元组的对象评价度量,从而获取汽车评价模糊形式背景。在模糊形式背景中,定义了内涵模糊概念和内涵模糊概念格。设计了模糊形式背景和内涵模糊概念格构建算法,并以实例对如何基于内涵模糊概念格进行知识发现予以讨论。     

基于FCA的对象与属性交叉渐进的情感本体学习

提出了一种基于形式概念分析的渐进式情感本体学习的算法。该算法通过动态交叉添加对象和属性来生成概念格,从而从概念格当中抽取情感本体,最终实现情感本体的学习过程。给出了算法的描述,并结合实例说明了本体学习过程。     

概念格与关联规则发现

作为数据挖掘核心任务之一的关联规则发现已经得到了广泛的研究。而由二元关系导出的概念格则是一种非常有用的形式化工具。它体现了概念内涵和外延的统一,反映了对象和特征间的联系以及概念间的泛化与例化关系,因此非常适于发现数据中潜在的概念。分析了概念格与关联规则提取之间的关系,根据需要对格结构进行了相应的修改,提出了相应的渐进式生成算法和基于概念格的关联规则提取算法,通过定理和性质对算法进行了说明并对关联规则进行缩减。最后对格结构的复杂性进行了讨论并给出了相应的实验结果。     

概念格的渐进式维护算法

由二元关系导出的概念格是一种非常有用的形式化工具,也很适合于发现数据中潜在的概念。概念格的算法一直是数据挖掘领域研究的热点。本文根据需要对概念格的结构进行一定的修改,采用一个带头、尾指针的链表作为整个算法的数据结构,提出概念格的渐进式维护算法,该算法中包含两个算法,即渐进式构造算法和渐进式删除算法。最后,通过将该算法和其他算法进行比较,得出较好的时间和空间效率。     

基于同义概念的概念格纵向合并算法

在FCA中,如何提高概念格构造算法的效率一直是研究的重点之一。将形式背景进行分解后造格是解决这一问题的有效途径,其中概念格的合并算法是关键。提出同义概念的观点,在格的合并算法中引入了概念格的线性索引结构,通过寻找同域概念格之间的同义概念,根据父概念-子概念的关系实现对其所有父节点的快速更新。实验表明,该算法和文献中的同域概念格纵向合并算法相比,其时间性能有明显改善。     

基于概念格的关联规则发现

关联规则是数据库中有价值的一类规律,国内外学者已经对它进行了广泛的研究,由二元关系导出的概念格作为一种非常有用的形式化工具,体现了概念内和外延的统一,反映了对象和特征间的联系以及概念的泛化与例化关系,因此非常适于发现数据中潜在的概念。本文报概念格的关联规则提取之间的关系,根据需要对格结构进行了相应的修改,提出了概念格结点内涵缩减概念,给出了相应的渐进式生成算法和基于概念格的关联规则提取算法,并通过