运用全1矩阵的概念格生成算法

从概念格的概念矩阵出发,提出一种运用全1概念矩阵来生成概念格的算法(Algorithm of Generating Concept Lattice Using Universal Matrix,GCL1).对整体概念格的形式背景采用0-1矩阵来表达,扫描形式背景的行和列找出全部的全1矩阵,定义了最大秩全1矩阵的概念,并且证明了最大秩全1矩阵对应的结点一定是概念格中的概念;然后按全1矩阵的秩从大到小排序,并对非最大秩的全1矩阵进行扩充,从而得到概念结点,再对概念结点连接,分别建立子概念格;最后把这些子概念格合并生成整体概念格,并同时生成哈斯图.本文对所提出的GCL1算法进行了理论论证,并且通过实例运行,结果表明该算法的时间复杂度明显优于其它许多算法.     

一种基于概念矩阵的概念格生成算法

概念格作为形式概念分析理论中的核心数据结构,在机器学习和数据挖掘等领域有着广泛的应用.构造概念格十分重要,针对此引入了概念矩阵思想,提出了基于概念矩阵的概念格生成算法CMCG(Concept-Matrix Based Concepts Generation).该算法从格的顶端节点开始构造,基于概念矩阵,利用属性的秩为每个节点生成它的所有子节点,完成子节点到父节点之间的链接,并生成哈斯图.给出了这种算法的理论依据.最后提供了这一算法的伪码,并通过实验证明了CMCG算法的时间性能优于Lattice算法.     

一种基于最大满矩阵生成概念格的算法

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,因此概念格的构造就显得尤为的重要。从形式背景的关系矩阵出发,扫描形式背景的行和列找出属性值为1的全部满矩阵,定义了最大满矩阵的概念,证明了最大满矩阵是概念矩阵的充要条件。并在此理论上提出了一种基于最大满矩阵生成概念格的算法,并对所提出的算法进行了理论论证。通过实例的运算,验证了该算法的有效性。     

基于概念格的最简规则挖掘算法

概念格是知识处理和数据分析的重要数学工具.概念格快速构造算法对挖掘关联规则非常重要.本文构造了决策表对应的形式背景和概念格模型,分析了扩展不可分辨矩阵、概念格和最简决策规则发现之间的关系:概念格的内涵都来自于扩展不可分辨矩阵的特征元,最简决策规则的条件元一定是概念格某个结点的内涵缩减.本文给出了形式概念格的快速渐进式构造算法和基于概念格的最简规则获取算法,该算法直观简捷.最后以一个工程实例对本算法的有效性作出了证明.     

低秩矩阵填充典型算法

分类总结了低秩矩阵填充典型算法,给出了低秩矩阵填充一般数学模型,详细讨论了原始-对偶内点法、奇异值阈值法、Opt Space、低秩矩阵拟合这四种典型算法的实现过程及每种算法的优缺点。通过实验验证了算法性能与参数之间的关系。最后指出了低秩矩阵填充算法研究方向。     

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。     

混沌粒子群算法在矩阵秩RSSI算法中的研究

为了解决RSSI算法中矩阵的冗余度并且延长整个无线传感器网络的生命周期,在RSSI算法的基础上提出了一种基于矩阵秩的混沌粒子群的RSSI算法。由于无线传感器网络中的节点的内存和能源的有限性,故引入了混沌粒子寻优的算法和矩阵秩的概念来解决这方面缺陷,并通过迭代得到最佳节点坐标。仿真结果表明,基于矩阵秩的混沌粒子群的RSSI算法不仅具有良好的定位精度,并且节约了节点内存和能源。     

基于同类概念的概念格横向合并算法

提出了同类概念的观点,在格的合并算法中通过利用同域概念格之间的同类概念和概念的父—子关系实现对其所有子节点的快速更新,以提高概念格横向合并算法的时间效率。并进一步论证了把节点数量较少的格插入到节点多的格中比反着做更省时间。实验表明,该算法和相关文献中的同域概念格横向合并算法相比,其时间性能有明显改善。     

分层概念格的上卷和下钻构造算法

当形式背景中的某些属性可以分解为若干子属性时,构建分层概念格模型,讨论原形式背景的概念格和分层形式背景的分层概念格之间的联系.提出由下层概念构造上层概念的上卷构造算法和由上层概念构造下层概念的下钻构造算法.实验表明,采用分层概念格模型可以建模复杂属性数据,分层概念格上卷构造算法和下钻构造算法可以提高构建概念格的效率.     

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。     

一种基于概念格的关联规则挖掘算法

关联规则挖掘是数据挖掘中的一项核心任务,而由二元关系导出的概念格则是一种非常有用的形式化分析工具,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。一个概念内涵与一个关联规则中的闭合项集可以一一对应。提出了一种新有基于概念格的关联规则挖掘算法Arca（Association Rule based Concept lAttice）。Arca算法通过概念矩阵构造部分概念格,使概念格中的每个概念对应一个闭合频繁项集。然后生成一些关联规则,在这些关联规则上通过定义了四个算子来生成了所有关联规则。     

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。     

基于矩阵蕴涵运算的格值模糊概念格构造方法

从矩阵角度对一类模糊概念格的构造方法进行了研究.以具体的格蕴涵代数作为刻画对象与属性间不确定性关系的取值域建立了格值模糊概念格;为了便于非数值间的计算,分别定义了矩阵合取运算、析取运算和蕴涵运算,并基于矩阵蕴涵运算给出了格值模糊概念格的构造方法;进而通过实例求出了对应的格值模糊概念格,验证了该方法的正确性.     

区间概念格的纵向合并算法

为解决直接对不同形式背景的数据构建区间概念格后分别抽取关联规则会存在规则缺失的实际问题,必须首先对不同的区间概念格进行合并.为提高格结构的生成与合并效率,首先对区间概念格的渐进式生成算法进行改进,将概念分为存在概念、冗余概念和空概念,分别以结构体的形式存储;进一步,分析区间概念格中外延和内涵之间的二元关系,给出了区间概念格纵向合并的充分条件——区间概念格的一致性;讨论了内涵一致的概念在合并后分为六种情况,并给出相应的判定定理;应用广度优先原则,通过对原区间概念格节点内涵的类型判定及不同的处理方法,设计了一种区间概念格的纵向合并算法.最后,通过实例验证了算法的有效性和高效性.     

Generating complete sublattices by methods of formal concept analysis

Abstract

We present a solution to the problem of finding the complete sublattice of a given concept lattice generated by a given set of elements. We construct the closed subrelation of the corresponding incidence relation whose concept lattice is equal to the desired complete sublattice. The construction does not require the presence of the original concept lattice. We introduce an efficient algorithm for the construction and give an example and experiments. We also study a related problem of characterizing complete sublattices of a given concept lattice that are given by a general subrelation of the incidence relation.     

基于概念格的数据挖掘方法研究

分析了概念格和关联规则之间的关系,提出了将频繁项集及其支持度存储在概念格上,然后在创建好的概念格上提取关联规则的方法,以及数据发生变化以后概念格的维护算法。