云平台下基于粗糙集的并行增量知识更新算法

日益复杂和动态变化的海量数据处理,是当前人们普遍关注的问题,其核心内容之一是研究如何利用已有的信息实现快速的知识更新.粒计算是近年来新兴的一个研究领域,是信息处理的一种新的概念和计算范式,主要用于描述和处理不确定的、模糊的、不完整的和海量的信息,以及提供一种基于粒与粒间关系的问题求解方法.作为粒计算理论中的一个重要组成部分,粗糙集是一种处理不确定性和不精确性问题的有效数学工具.根据云计算中的并行模型MapReduce,给出了并行计算粗糙集中等价类、决策类和两者之间相关性的算法;然后,设计了用于处理大规模数据的并行粗糙近似集求解算法.为应对动态变化的海量数据,结合MapReduce模型和增量更新方法,根据不同的增量策略,设计了两种并行增量更新粗糙近似集的算法.实验结果表明,该算法可以有效地快速更新知识;而且数据量越大,效果越明显.     

基于知识距离的粗糙粒结构的评价模型

在粒计算理论中,通过不同的粒计算机制可以生成不同的粒结构。在粗糙集中,对于同一个信息表而言,通过不同的属性添加顺序可以得到由不同的序贯层次结构,即粗糙粒结构。在粗糙粒结构中,不同的属性获取顺序导致了对不确定性问题求解的不同程度。因此,如何有效评价粗糙粒结构是一个值得研究的问题。本文将从知识距离的角度研究这个问题。首先,在前期工作所提出的知识距离框架上提出了一种粗糙近似空间距离,用于度量粗糙近似空间之间差异性。基于提出的知识距离,研究了粗糙粒结构的结构特征。在粗糙粒结构中,在对不确定性问题进行求解时,本文希望在约束条件下可以利用尽可能少的知识空间使不确定性降低达到最大化。基于这个思想并利用以上得出的结论,在属性代价约束条件下,引入了一个评价参数λ,并在此基础建立了一种粗糙粒结构的评价模型,该方法实现了在属性代价约束条件下选择粗糙粒结构的功能。最后,通过实例验证了本文提出的模型的有效性。     

一种对仿真可信度评估的智能专家系统

研究对仿真可信度的评估问题.针对传统的人类专家评估方法其工作量大、信息不确定以及结果模糊等问题,提出一种新型的替代专家的评估仿真可信度的方法,以不确定性知识表示和推理为基础,通过构建智能评估专家系统来实现评估.并对不确定性知识的表示与量度、不确定性推理、以及模糊信息的量化和信息的综合等相关知识进行了详细的描述.以细胞信号转导网络仿真模型的评估为实例进行了演示,演示表明:系统对于其仿真模型的评估实用,结果客观,可信.可与人类专家的决策过程媲美.     

粒计算研究综述

粒计算（granular computing）是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法．它覆盖了所有有关粒度的理论、方法和技术，是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具．首先回顾了粒计算研究和发展状况，介绍了粒计算的基本组成和问题，综述了粒计算的基本模型和方法，并讨论了它们之间的相互关系，最后探讨了构建统一的粒计算模型、复杂问题空间的粒化、粒层之问的转换、高效的粒计算方法、新的粒计算模型、动态粒计算模型、自主粒计算模型、粒计算方法的模糊化以及粒计算模型的应用和推广等几个方面的关键问题．     

基于属性粒计算的认知模型研究

属性粒计算可模拟人脑的粒化、组织和因果等认知功能,但推理过程缺乏一种形式化机制。Petri网具有的异步、并发和不确定性等特征与人脑思维过程中的某些认知活动类似。基于属性粒计算的基本概念和逻辑计算规则对Petri网进行了基于定性映射的适当扩充,使得Petri网以属性粒计算的形式在知识表示、知识推理、学习模式和记忆模式等方面初步体现出一个认知系统所需要具备的一些基本元素特征。这种方法能够在一定程度上体现具有不确定性识别和判断的思维认知过程,为研究Petri网应用于模拟人类的高级智能、形象思维能力提供了一种新的思路。     

不确定性与自然计算并行性的内在关联

不确定性是量子力学中已获得证明的自然界基本规律。通过分析自然算法中的并行性与不确定性的内在关联认为,不确定性不但是并行性产生的根源,还是算法智能产生的根源。根据这一认识给出了算法的不确定性原理,并结合Shannon的信息熵原理建立了自然计算的不确定性智能模型(UIM)。这一模型认为先验知识信息和由不确定性所提供的信息共同构成了智能系统的基本模型。智能系统本质上就是一个信息系统,先验知识信息保证算法按正确的方向进行搜索,不确定性所提供的信息实现了算法对解空间的并行搜索,通过提高系统信息的含量将有效提高系统的智能水平。这一模型在Pi值的计算算法中也得到了印证。     

网络时代人工智能研究与发展

50多年来,人工智能在模式识别、知识工程、机器人等领域已经取得重大成就,但是离真正的人类智能还相差甚远.当今网络时代,人工智能科学要在学科交叉研究中实现人工智能的发展与创新,会更加关注认知科学、脑科学、生物智能、物理学、网络科学、计算机科学与人工智能之间的交叉渗透,重视认知物理学的研究;自然语言是人工智能研究知识表示无法回避的直接对象,要对语言中的概念建立起能够定量表示的不确定性转换模型,发展不确定性人工智能;要利用现实生活中复杂网络的小世界模型和无标度特性,把网络拓扑作为知识表示的一种新方法,研究网络拓扑的演化与网络动力学行为,研究网络智能.对这3个重要方向进行了阐述,并提出了具体建议.     

图像纹理特征数据挖掘的不确定性分析

不确定性分析是数据挖掘与知识发现的重要内容,对图像纹理特征数据挖掘的基本原理进行了分析、解释,从问题的求解、数据的产生、挖掘的过程以及最终的结果等几个角度分析了图像纹理特征数据挖掘中的不确定性,并讨论了目前不确定性问题分析与处理的若干方法,引入不确定性分析的有力工具--云模型,研究图像纹理特征数据挖掘中的不确定性,并给出了实验结果及分析.     

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.     

粒计算在数字逻辑电路分析与设计中的应用

逻辑优化是数字逻辑电路分析与设计的关键,对于降低系统复杂性,减少系统功耗和提高系统安全性有重要作用。随着数字逻辑电路规模的不断扩大,传统的理论将面临新的挑战。从知识工程角度看,逻辑优化的本质是知识约简的过程。粒计算(granular computing,Gr C)是处理大规模、复杂问题的人工智能新方法。在简述现有逻辑优化算法和粒计算理论发展现状的基础上,研究了粒计算理论中的等价关系、相容关系、覆盖等知识模型以及用粒矩阵刻画的知识发现算法,指出了将其应用于大规模数字逻辑电路逻辑优化的研究方向与研究思路。     

知识空间理论析取模型下最小技能集的生成

知识空间理论是当前粒计算领域中的研究热点。对知识空间中问题代表的技能进行分析是构造知识空间及进行知识评价的一种重要方法。通过消除问题当中冗余的技能可以有效简化问题的处理,降低计算机处理的复杂度。在知识空间理论中,当技能映射模型是析取模型时,技能之间对于问题的解决表现出的是或的关系。通过类比粗糙集理论中属性约简的方法,提出了一种析取模型下最小技能集的生成方法。从粒计算的视角,将知识空间理论与粗糙集理论建立起了有意义的联系。     

模糊集、粗糙集和商空间理论的比较研究

针对模糊集、粗糙集及商空间理论,从对智能的理解、粒的表示、粒度的定义和粒的关系这4个方面进行比较。分析比较结果可知,它们的共同之处有：用集合定义粒,用粒描述知识;不同之处有：词计算和粗糙集理论分别从微观角度研究词的推理和属性的约简,而商空间理论是从宏观角度研究粒度的变化规律。     

粒度逻辑运算下的粗糙集模型

将粗糙集理论、逻辑运算与粒度计算进行嫁接,得到了粒度逻辑运算下的粗糙集理论模型。对粒度逻辑运算下的粗糙集进行了形式化的定义,讨论并证明了相关性质。同时,讨论了知识的粗细与基于粒度逻辑运算的粗糙集之间的关系,这为进一步研究基于粒计算的知识获取和粒度推理奠定了逻辑基础。     

粒矩阵属性约简的启发式算法

属性约简是粗糙集理论一个重要的研究问题.在粗糙集理论上,利用粒计算的思想构建了粒矩阵,提出并定义了粒矩阵相与运算,建立了基于粒矩阵的知识粒化方法,并且给出了粒矩阵属性约简的启发式算法.采用粒矩阵进行属性约简选择最小属性集,跳出了传统属性约简的先求解属性核,再求解最优属性集的方法.理论分析表明了新的算法是可靠有效的,给粒计算属性约简提供一个新的思路,为进一步研究粒计算提供可行的方法.     

粒度计算的三种主要方法

粒度计算(Granular Computing,GrC)是新近兴起的人工智能研究领域的一个方向,它覆盖了所有有关粒度的理论、方法、技术和工具的研究。它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集。词计算理论、粗糙集理论、商空间理论是粒度计算的三种主要方法。文中着重介绍了这三种粒度计算的基本理论、模型和方法,以及它们之间的关系,并展望了进一步的研究方向。     

决策表的粒计算方法研究

粒计算是一种基于问题概念空间划分的智能计算方法。在基于粗集理论的粒度模型基础上,给出了决策表的粒空间分解方法,并给出了决策表在粒表示下属性必要性和属性约简的判定条件。最后,比较了粒度模型和传统的粗集理论在处理属性约简问题上的差异。     

粗糙集不确定性度量的矩阵运算

粗糙集的不确定性度量是粗糙集理论的重要研究内容之一。结合模糊理论和粒计算理论改进了粗糙集的不确定性度量方法。通过集合的相对知识粒度及边界熵给出了粗糙集的粗糙性度量函数与模糊性度量函数,随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均满足单调递减的性质。利用矩阵理论提出了易于实现的粗糙性度量与模糊性度量的矩阵算法。     

集对分析的不确定性系统理论在AⅠ中的应用

根据不确定性与确定性对立统一的观点,把同一个研究对象相对于参考集的确定性测度与不确定性测度作为一个不确定性系统,用联系数描述这个系统,根据问题的要求对联系数作适当的运算,由此形成基于集对分析的不确定性系统理论.把该理论用于不确定性推理、智能计算、群体智能分析,思路清晰,算法简明,所得结果能较好地符合客观实际.     

基于粒度计算的属性约简算法研究

从粒度计算的角度对粗糙集理论的属性约简进行研究,分别基于代数方法和信息论方法定义了粒度差和粒度熵的概念,并在此基础上提出了两种新的属性约简算法.实验分析表明,这两种可靠有效的粒度计算方法都能得到信息表的最小约简,为进一步研究知识的粒度计算提供了可行的方法.     

粒计算的发展现状与应用研究

粒计算是处理信息和知识过程的一种新的研究方法,覆盖了所有粒度的理论、方法、技术和工具的研究。该文综述了粒计算发展现状、粒计算的理论、粒计算模型与方法、粒计算在数据挖掘中的应用研究,并给出了粒计算未来可能的研究方向。