基于对象和基于属性的三支概念格合并方法比较

提出基于属性为主的三支概念格的合并和基于对象为主的三支概念格的合并,对合并后的三支概念格及经典概念格之间的关系进行研究,对两种方法合并后所得到的三支概念格之间的关系进行探讨,并给出三支概念格合并的算法.通过实例对该理论进行验证.     

多粒度形式概念分析的介粒度标记方法

现有的多粒度标记形式背景将所有属性的粒度标记值通过多个单粒度标记形式背景的并置予以表示,这可能导致后续相关问题的研究主要集中于多个单粒度标记形式背景的知识发现及其相互关系,不利于挖掘多粒度标记形式背景的多层次知识.通过重构单粒度标记形式背景的属性粒度标记值,在多粒度标记形式背景中研究介粒度标记形式背景,使得知识发现不仅仅局限于数据采集或表示所形成的粗细粒度标记数据,还包括跨粒度重组数据的知识发现.首先,提出介粒度标记形式背景的概念,给出相应的语义解释;其次,讨论介粒度标记形式背景的泛化与特化,在此基础上证明所有介粒度标记形式背景在泛化-特化关系下构成一个完备格;然后,给出多粒度标记决策形式背景的介粒度知识发现方法,得到粗细介粒度标记形式背景之间的决策蕴涵诱导关系;最后,实验分析表明介粒度标记方法的有效性和优势所在.     

面向知识结构分析的模糊概念格模型

知识空间理论使用数学语言对学习者进行知识评价与学习指导, 属于数学心理学的研究范畴. 技能与问题是构成知识空间的两个基本要素, 深入研究两者之间的关系是知识状态刻画与知识结构分析的内在要求. 在当前的知识空间理论研究中, 没有明确建立技能与问题之间的双向映射, 从而难以提出直观概念意义下的知识结构分析模型, 也没有明确建立知识状态之间的偏序关系, 不利于刻画知识状态之间的差异, 更不利于规划学习者未来的学习路径. 此外, 现有的成果主要集中在经典的知识空间, 没有考虑实际问题中数据的不确定性. 为此, 将形式概念分析与模糊集引入知识空间理论, 建立面向知识结构分析的模糊概念格模型. 具体地, 分别建立知识空间与闭包空间的模糊概念格模型. 首先, 建立知识空间模糊概念格, 并通过任意两个概念的上确界证明所有概念的外延构成知识空间. 引入粒描述的思想定义技能诱导的问题原子粒, 由问题原子粒的组合判定一个问题组合是否是知识空间中的一个状态, 进而提出由问题组合获取知识空间模糊概念的方法. 其次, 建立闭包空间模糊概念格, 并通过任意两个概念的下确界证明所有概念的外延构成闭包空间. 类似地, 定义问题诱导的技能原子粒, 由技能原子粒的组合判定一个技能组合是否是闭包空间中某一知识状态所需的技能, 进而提出由技能组合获取闭包空间模糊概念的方法. 最后, 通过实验分析问题数量、技能数量、填充因子以及分析尺度对知识空间与闭包空间规模的影响. 结论表明知识空间模糊概念不同于现有的任何概念, 也不能从其他概念派生而来. 闭包空间模糊概念本质上是一种面向属性单边模糊概念. 在二值技能形式背景中, 知识空间与闭包空间中的状态具有一一对应关系, 但这种关系在模糊技能形式背景中并不成立.     

基于Eclipse的概念格构建系统的设计与实现

概念格作为一种很好的形式化概念分析工具,被应用于数据挖掘、人工智能和知识提取等领域.如何将海量的数据中提取出来的相关规则即概念,迅速转化成直观的概念格图,成为概念格应用首先需要解决的问题.描述了概念格的相关概念,实现了概念格的改进构造算法.在Eclipse平台下实现了一种半自动化的概念格构建系统,并对各个模块的实现做了详细的介绍,生成相应的概念格的Hasse图,最终通过实验分析验证了半自动化构建概念格系统的可行性,优化了算法的空问复杂度,使系统性能得到优化.     

概念格在访问控制中的研究综述

随着信息技术的发展,信息系统日趋复杂和多样化,这给访问控制的设计和维护提出了更高的要求。概念格作为一种重要的数据挖掘和知识发现方法,具有自动聚类和自动构建层次的特点,可以用于设计和维护一个访问控制所需要的层次结构。本文对概念格在强制访问控制和基于角色的访问控制中的相关研究进展进行了分析和总结,并对未来的研究趋势进行了讨论。     

概念格经典算法对比

概念格被认为是一种非常有用的数据分析工具,它能够很好的应用于数据挖掘、机器学习以及知识发现、信息获取等领域。本文对概念格的生成算法进行了分类研究,对典型算法进行详细介绍,最后讨论了概念格生成算法研究的最新动向。     

概念粒计算系统的数学模型

文中在两个完备格之间引入了外延内涵算子与内涵外延算子,构建了概念粒计算系统,证明了由该系统生成的全体概念集合是具有最大元与最小元的格.此概念粒计算系统不仅包括了由形式背景形成的概念格以及由L模糊形式背景形成的L模糊概念格,也包括了3种变精度概念格,即概念的外延与内涵分别为经典集与经典集、经典集与模糊集、模糊集与经典集.最后在概念粒计算系统中,给出了概念粒迭代计算方法,并证明了它在某种意义下的最优性.     

概念格的分布处理研究

概念格和形式背景是一一对应的，概念格的分布处理必然涉及到形式背景的处理．定义了形式背景问的横向和纵向合并运算，讨论了同域背景间的三种不同的关系，特别提出一种新颖的属性相似度方法来处理背景间的不一致关系，把不一致的形式背景转换为一致背景或独立背景；还定义了概念、概念格间的基本运算，并证明了纵向合并的子背景的概念格和子背景所对应的子概念格的并是同构的，这样就奠定了概念格分布处理的理论基础，为概念格的分布并行构造提供了依据．     

概念格与粗糙集的关系研究

概念格理论和粗糙集理论是两种不同的知识表示与知识发现的工具,都已被成功应用于许多领域.粗糙集理论的数据表现方式是信息系统,其研究基础是对象之间的等价关系;概念格理论的数据表现方式是形式背景,其研究基础是一种有序的层次结构--概念格.本文讨论了概念格理论与粗糙集理论之间的基本联系;重点分析了形式概念与等价类之间、概念格与分划之间的关系;证明了概念格与分划之间可以相互转换,给出了转换算法,并用例子加以说明.     

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.     

三支决策视角下概念格的分析和比较*

基于概念的构造和形式背景的构成,文中从三支决策的视角探究不同概念格之间的内在联系,分别对比不完备形式背景和经典形式背景中的概念格及直觉模糊形式背景和模糊形式背景中的概念格,展现三支决策在概念格理论中的重要价值.通过对比可以看出,相比经典形式背景和模糊形式背景中的概念格,不完备形式背景和直觉模糊形式背景中的概念格体现三支决策思想,具有数据存储所占空间更小,属性约简更简洁等优势.     

基于信息熵的约简概念格渐进式构造

通过信息熵概念的引入,形式化地给出了概念内涵的重要程度,结合用户的兴趣度,对概念进行约简,提出了约简概念格渐进式构造算法。试验表明,该方法能在保证用户兴趣度的前提下,大大降低概念格构造算法的复杂性。     

面向决策分析的多粒度计算模型与方法综述

作为粒计算研究方向的核心概念和关键技术,多粒度计算强调对现实世界问题多视角、多层次的理解和描述,可获得合理、满意的求解结果.为了深化多粒度计算与决策分析的有效融合,更好地满足人们的实际决策需求,文中首先介绍多粒度粗糙集、多尺度数据分析、序贯三支决策、分层分类学习四类多粒度计算模型,并阐述各自的主要特点及发展过程.进而从属性约简、规则提取、粒度选择、信息融合、群决策、多属性群决策、分类决策、动态决策等方面总结基于多粒度计算模型的决策分析方法研究现状.最后,对大数据时代智能决策领域中若干具有挑战性的研究方向进行展望,以期推动多粒度智能决策的不断发展与创新.     

扩展概念格的维护

扩展概念格是作者在Galois格中引入等价内涵关系而得到的一种扩展形式,并且已对其渐进式构造进行了研究。文章针对已构造好的扩展概念格,在数据对象删除时如何维护的问题,提出了一种算法,经验证是有效的。     

相对约简格及其构造

引入了相对约简内涵,在此基础上提出了相对约简格,给出了相对约简格的有关术语和性质,重点讨论了相对约简格的横向构造方法,并通过约简格的Hasse图形式化地说明其构造过程。     

形式概念分析在软件理解中的研究综述

主要对形式概念分析在软件理解上的研究进展进行总结．阐述形式概念在软件理解中一般过程和主要采取的技术方法．给出形式概念分析在软件理解领域的研究趋势与展望。     

基于序贯三支决策的代价敏感文本情感分析方法

为了解决文本情感分析的代价不平衡及静态决策中分类代价偏高的问题,文中考虑动态决策过程中产生的误分类代价和学习代价,构建基于序贯三支决策的代价敏感文本情感分析方法.首先,为了构建多粒度动态决策环境,提出针对文本数据的粒化模型.然后,引入序贯三支决策模型,构建动态文本分析框架.最后,利用真实文本评论数据集验证文中方法的有效性.实验表明文中方法在提高分类质量的同时,明显降低整体的决策代价.     

A New Concept Lattice and Incremental Construction Method

Concept lattice is an efficient formal tool for data analysis and knowledge extraction. However, the present research presumes that all the intensions of concept lattice are equally important. In order to make the best use of concept lattice for analyzing data, extracting knowledge and effectively guiding the decision-making management, the weight value is introduced into the intension of the concept lattice and a new concept lattice, a weighted concept lattice （WCL） is presented, which develops the concept lattice structure. Then one FWCL （Frequent Weighted Concept Lattice） incremental construction method is offered and relative analysis together with an example is presented to illustrate its efficiency and feasibility.