基于对象间相互作用的形式概念分析

论文对概念格构成所依赖的形式背景作了研究,针对形式背景中的对象集,提出了每个对象并不是孤立存在而是相互作用和相互影响的观点。定义了基于对象间相互作用的一系列相关概念,对于相互作用下不断变化的属性值引入属性加权法,结合概念定标原理,将动态多值背景通过两次转换化为静态单值背景,进而对其进行形式概念分析。     

形式背景同构判定的等价类算法

同构生成概念格是获取概念格的另一途径,而形式背景同构判定是这一方法的前提,也是决定整个算法时间复杂度的关键。本文提出的基于等价类法的形式背景同构判定算法,有效地提高了同构判定的效率。结合形式背景的分解和约简等手段,为概念格的构造提供了一种有实用价值的方法。本文对该方法的原理和算法设计进行了较详细的讨论,并通过实验,验证了算法的正确性和有效性。     

n阶形式背景核的构造算法

基于n阶形式背景核的概念格同构生成是一种新的概念格获取方法.其中n阶形式背景核的构造是基础.根据n阶形式背景核的概念,提出了n阶形式背景核的基本算法,并通过限制冗余形式背景的生成,对算法进行了改进.最后经过实验,验证了改进算法相对基本算法效率更高.     

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．     

基于属性蕴含的形式背景的生成

形式概念分析是近年来发展较快的一种用于数据挖掘的工具,它广泛地应用于机器学习、软件配置、信息获取、知识管理和软件工程等领域。以前大家研究的内容都是基于属性之间没有关联,给出相应的形式背景,然后得出概念格的,并在此基础进行约简和优化。然而在现实中属性之间存在诸如蕴涵、依赖等关系的。本文论述了基于一些属性间的蕴涵式来生成一个形式背景的算法,拓广了形式背景的生成的方法。     

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.     

不完备形式背景下近似概念格的公理化方法

提出了由两个完备形式背景构造不完备形式背景的方法.基于完备形式背景公理化的方法得到了近似概念格的公理组,并给出了近似概念格的构造方法,其发展了不完备形式背景下近似概念格的理论.     

形式背景的BAM神经网络模型及模型上的概念生成

形式概念分析是近年来发展较为迅速的一种数据挖掘工具,它已被广泛地应用于机器学习、软件配置、信息获取等领域,而神经网络是基于模拟人脑的智能特点而发展起来的一门新兴学科。它们之间的融合将有利于智能控制、模式识别、知识处理等学科的进一步发展。通过对BAM神经网络的设定,建立了形式背景和NK-BAM神经网络之间的对应关系,论证了NK-BAM模型的稳定状态与形式背景的概念格的概念结点之间的对应,为概念分析和神经网络的进一步研究奠定了理论基础。同时给出了一个基于神经网络的概念生成算法,并通过实例验证了算法的有效性。     

基于形式概念分析的依赖簇检测方法研究

依赖簇是相互依赖的程序组件的最大集合,大尺寸依赖簇已被证实在程序中普遍存在。依赖簇中任意一点产生变动都会引起其他组件的连锁反应,进而对整个系统造成潜在的影响,这将会阻碍软件理解、测试、维护等方面的工作。检测出依赖簇是消除不良影响的前提,目前通过单调切片尺寸图近似检测依赖簇的方法的准确度较低,会出现漏报和误报。提出了一种基于形式概念分析的依赖簇检测方法,通过概念包含度选取的大型概念来检测大尺寸依赖簇,并进一步提出轻量化策略以有针对性地选取大型概念,降低计算开销。在12个不同规模和领域的开源程序上,将所提方法与单调切片尺寸图法进行对比实验,结果表明所提方法及其轻量化策略能够有效地检测大尺寸依赖簇,可以提高依赖簇检测的准确度和效率。     

基于形式概念分析的本体合并方法

针对现有的本体合并方法在进行合并时需要人工参与,比较费时费力,且合并结果受人为影响过大等缺点,提出了一种基于形式概念分析的本体合并方法——FCA-OntMerge(formal concept analysis based ontology merging method)。该方法首先将本体中的数据直接转化为形式背景(概念格的数据存储方式),然后利用概念格严谨和完善的数学原理进行合并,最后生成新的本体。实验结果表明,该方法能很好地解决本体异构的问题。     

概念格的粗糙性质研究

研究由粗糙集形式的概念格,定义粗糙形式背景、粗糙概念,给出它们的性质,借助蕴涵算子研究上、下近似运算在粗糙形式背景中讨论了粗糙Galois连接.     

决策连续形式背景的可视化数据离散化方法

连续形式背景离散化是形式概念分析领域重要的基础问题之一。本文针对形式背景离散化的特殊要求,提出了一种可视化的数据离散化方法。该方法借助可视化方法对数据类别分布进行表示,将连续数据分布转化为图形分布,进一步利用视觉模糊性对图形空间进行处理,进而将决策连续背景离散化。通过UCI数据集上的实验表明,与传统离散化方法相比,采用本文方法进行数据离散化后的二值形式背景具有结构简单且不失准确性的优点。     

变精度对象概念格的构造及其性质

讨论了基于模糊形式背景的模糊对象概念格的概念约简,构造出了模糊对象概念格的3种变精度概念格,即经典一模糊、模糊一经典、经典一经典变精度对象概念格,并讨论了它们的性质及相互关系。结果表明,变精度对象概念格的概念数量远远少于模糊对象概念格的概念数,而且每一种变精度概念格都保留了模糊对象概念格中相对重要的概念。     

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。     

随机决策形式背景下的概念格构建原理与算法

概念格是根据二元关系提出的概念层次结构,用于数据的分析和规则提取。针对随机决策形式背景,讨论了随机决策形式背景下随机概念的数学表示,并证明了随机概念伽罗瓦连接的存在性,提出随机概念格的构建算法,最后用实例证明了其有效性。     

基于概念格外延信息量的属性约简算法

概念格是知识处理与分析的一个有力的工具,在知识约简和数据挖掘方面有着重要的利用。首先给出了概念格外延信息量的概念,在此基础上研究了合理刻画属性重要性的指标,并给出了概念格核心属性的判定定理,然后以这些指标作为启发式信息设计了一种新颖的概念格启发式属性约简算法,最后通过实例表明了该约简算法的可行性与有效性。