融合GPU的拟单层覆盖近似集计算方法

拟单层覆盖粗糙集是一种匹配集值信息系统且有高质量和高效率的粗糙集模型。拟单层覆盖近似集的计算过程中存在大量计算密集且逻辑简单的运算,为此,提出拟单层覆盖近似集的矩阵化表示方法,以利用图形处理器(GPU)强大的计算性能加速计算过程。为了实现这一目标,使用布尔矩阵表示拟单层覆盖近似空间中的元素,引入与集合运算对应的布尔矩阵算子,提出拟单层覆盖粗糙近似集(DE、DA、DE0与DA0)的矩阵表示,并设计矩阵化拟单层覆盖近似集算法(M＿SMC)。同时,相应的定理证明了拟单层覆盖近似集的矩阵表示形式与原始定义的等价性。然而,M＿SMC运行过程中出现了矩阵存储和计算步骤的内存消耗过多问题。为了将算法部署到显存有限的GPU上,优化矩阵存储和计算步骤,提出分批处理的矩阵化拟单层覆盖近似集算法(BM＿SMC)。在10个数据集上的实验结果表明,融合GPU的BM＿SMC算法与单纯使用中央处理器(CPU)的BM＿SMC算法相比计算效率提高2.16～11.3倍,BM＿SMC算法可以在有限的存储空间条件下充分利用GPU,能够有效地提高拟单层覆盖近似集的计算效率。     

一种优势关系粗糙集近似集动态更新算法

近似集计算是运用粗糙集理论在数据挖掘相关研究领域中发现隐藏在数据中潜在知识的一个关键步骤。实际问题求解中,人们常常面对的信息系统是动态变化的。针对信息系统中对象集变化的情况,提出一种基于有序等价类进行信息粒合并的优势关系粗糙集近似集动态快速更新策略及相应算法。通过一个数值化算例验证了信息粒动态更新的可行性,实验结果反映出粒度动态更新方法能有效提高近似集的动态更新效率。     

覆盖广义粗糙集中近似集增量更新方法研究

研究覆盖广义粗糙集中近似集变化的增量更新问题,分析属性增删时覆盖广义粗糙集模型近似集的性质,根据边界域与近似集关系,得出属性集变化时近似集的变化趋势,并在此基础上,提出一种属性集变化时近似集的动态增量更新方法。通过实例验证该方法的有效性。     

带标记的不完备双论域模糊概率粗糙集中近似集动态更新方法

当不完备双论域模糊概率粗糙集获取缺省值时,传统的静态算法更新近似集的时间效率较低,为了解决这个问题,对带标记不完备双论域模糊概率粗糙集的近似集动态更新方法进行了研究。首先,给出了带标记的不完备双论域信息系统的相关定义,运用矩阵提出了带标记的不完备双论域模糊概率粗糙集的模型,证明了其相关定理,给出了一种带标记的不完备双论域模糊概率粗糙集的近似集计算方法,并对其进行了讨论分析。其次,当不完备双论域模糊概率粗糙集获取缺省值时,给出了动态更新其近似集的相关定理,并进行了证明,进而设计了一种带标记的不完备双论域模糊概率粗糙集中近似集动态更新算法,并分析讨论了其算法复杂度。最后,在6个UCI数据集和3个人工数据集上进行仿真实验,实验结果表明,该动态更新算法提高了更新近似集的时间效率,并结合实例证明了该动态算法更新近似集时不影响结果的正确性,验证了该动态更新算法的有效性。     

基于容差关系的多粒度粗糙集中近似集动态更新方法

针对不完备信息系统变化时缺失值获取具体属性值的特性，为解决多粒度粗糙集中更新近似集时间效率低的问题，提出了一种基于容差关系的近似集动态更新算法。首先，讨论了基于容差关系的近似集变化的性质，并根据相关性质得出乐观、悲观多粒度粗糙集的近似集的变化趋势；然后，针对更新容差类效率低的问题，提出了动态更新容差类的定理；最后，在此基础上，设计出基于容差关系的近似集动态更新算法。采用UCI数据库中4个数据集进行仿真实验，当数据集变大时，所提更新算法的计算时间远小于静态更新算法的计算时间，即所提动态更新算法的时间效率高于静态算法，验证了所提算法的正确性和高效性。     

基于对象更新的邻域多粒度粗糙集模型增量式算法

邻域多粒度粗糙集模型是粗糙集理论的重要研究分支。然而在大数据环境下,数据时刻处于动态更新之中,针对数值型信息系统对象动态变化的情形,本文提出一种邻域多粒度粗糙集模型的增量式更新算法。文中首先利用矩阵的方法表示了邻域多粒度粗糙集中邻域类与目标近似集之间的两种近似关系,分别称之为子集近似关系矩阵和交集近似关系矩阵,并通过这两种近似关系矩阵重构了邻域多粒度粗糙集模型;然后针对数值型信息系统对象增加和对象减少的情形,研究了这两种近似关系矩阵随对象变化时的增量式更新,理论分析证明了这种更新方法的高效性;最后基于近似关系矩阵的增量式更新设计出了邻域多粒度粗糙集模型的增量式更新算法。实验结果验证了所提出增量式算法的有效性和优越性。     

对象集变化时近似集动态维护的矩阵方法

目前粗糙集模型中概念的上、下近似集的计算方法大多是基于静态信息系统的.而实际的信息系统是随时间动态变化的,通常包括对象集、属性集和属性值3种类型的粒度变化,这些变化必然引起概念近似集的动态变化.如何快速、有效地更新概念的近似集是基于粗糙集的动态知识更新中的热点研究问题之一.而利用既有知识的增量式更新方法是一种有效的近似集动态更新方法.在信息系统动态变化的客观环境下,以矩阵作为表达和运算工具从一个全新的视角研究信息系统的论域随时间变化时,变精度粗糙集模型中概念的上、下近似集的增量式更新方法,并构造出近似集增量式更新的矩阵算法,随后分析了算法的时间复杂度.进一步,在MATLAB平台上开发出增量式更新和非增量式更新近似集的两种矩阵算法的程序,最后在UCI的6个数据集上测试了两种矩阵算法的性能并将实验结果进行比较,结果表明增量式更新的矩阵算法可行、简洁和高效.     

一种基于概率粗糙集的属性约简加速算法

介绍了基于概率粗糙集模型的启发式属性约简算法,提出了概率粗糙集模型中的概率近似精度和改进概率近似精度的增量更新机制,通过比较概率近似精度的更新值得到属性核,然后通过比较改进概率近似精度的值逐步得到概率粗糙集中的属性约简。最后提出了一种概率粗糙集模型中属性核与属性约简的加速求解算法,并举例说明了所提算法的有效性和可行性。     

计算优势关系粗糙集中近似集的快速算法*

优势关系粗糙集克服经典粗糙集无法处理偏序关系数据的缺陷,而减少近似集的计算时间可以提高数据处理的效率.基于此种情况,文中提出计算优势关系粗糙集中近似集的快速算法,在对象和属性同时增加时,能快速计算优势关系粗糙集的近似集.算法改进近似集相关参数的定义,通过尽可能少的参数求出近似集,简化计算过程,提高算法运算速度,节省内存.实验表明,文中算法具有较快的运算速度,尤其当数据量增大或数据类别增多时效果更明显.     

优势关系下属性值粗化细化时近似集分析

基于优势关系粗糙集模型反映属性间的偏好情况,实际上多数数据库中的数据是动态变化的。如何利用已有的信息更新近似集对于提高知识发现效率有重要意义。提出不完备信息系统在优势关系下属性值粗化细化的定义,讨论优势关系下不完备信息系统中属性值粗化细化时近似集的变化情况,对比分析优势关系下属性值粗化细化前后的粗糙近似精度和粗糙近似质量。通过实例分析验证了该方法的有效性。     

基于对象变化的邻域决策粗糙集动态更新算法

针对现实环境下数据集不断动态变化的特性,提出一种邻域决策粗糙集模型的增量式更新算法.采用由简单到复杂的研究思路,分析了邻域型信息系统论域增加和减少单个对象时,目标近似集与邻域类之间概率的变化规律,进一步地利用这种规律来构造单个对象变化时邻域决策粗糙集模型上下近似集的增量式更新,在单个对象变化的基础上,通过逐步迭代的方式...     

混合信息系统的动态变精度粗糙集模型

粗糙集是一种针对不确定性数据的数据挖掘理论,邻域粗糙集是处理混合型数据的常用模型.为了提高对混合型数据的抗噪能力,提出一种混合信息系统的变精度粗糙集模型;由于现实环境下信息系统的动态性,进一步提出对象增加和减少时的动态变精度粗糙集模型.首先研究混合信息系统中条件概率随对象增加和减少时的变化关系,然后在该变化关系的基础上提出混合信息系统变精度粗糙集上下近似的增量式更新机制,最后根据这一更新机制提出相应的增量式近似更新算法.实验结果表明,所提出的增量式更新算法比非增量的算法具有更高的计算效率,从而验证了所提出模型的有效性,同时也表明所提出模型更加适用于复杂的数据环境.     

特性关系粗糙集中对象变化时近似集增量更新方法研究

特性关系信息系统是一般信息系统的推广模型,仅满足自反性,具有同时处理不完备信息系统中的丢失数据和不关心数据的功能。在实际应用中,信息系统随着对象的变化而不断地动态变化。研究了在特性关系粗糙集模型下单个对象增加和删除时近似集变化的规律,提出了相应的增量更新算法并给予了实验验证。     

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.     

集值决策信息系统的动态属性约简算法

在现实应用中许多数据往往是动态变化的,静态的属性约简算法处理此类数据需消耗大量的计算时间和存储空间。针对集值决策信息系统中数据的动态变化情况,通过引入条件信息量和属性重要性概念,提出了一种启发式的动态属性约简算法,当新的属性集增加到决策信息系统时,算法能够利用原系统的属性约简结果,快速更新属性集增加后的属性约简,并对更新后的属性约简中可能存在的冗余属性进行反向剔除,保持了知识获取的简洁,提高了算法的计算效率。最后,通过实例验证进一步分析了算法的有效性和可行性。     

基于相容粗糙集的图形图像信息预检索

早期的利用粗糙集理论进行信息检索都是以“等价粗糙集模型”为基础的，但是等价粗糙集的性质限制了该方法的应用范围，为此有些研究者提出以“相容粗糙集模型”代替“等价粗糙集模型”的新的信息检索的概念，此概念的关键在于“关键词的同时发生”和关于相容粗包含的“匹配算法”，提出了一种利用“相容粗糙集”的理论对图形图像进行预检索的新方法，即在相容类的近似空间里对图形图像进行预检索。为了验证这种新方法的有效性，在人脸图形和图像库中做了若干实验，实验结果表明，该方法可以有效地克服等价粗糙集在图形图像检索方面的限制，对提高图形图像的检索效率具有一定的作用。     

粗糙的方向性模糊聚类算法

根据高维数据具有方向性的特征,结合概率模糊聚类算法与粗糙集理论提出了一种粗糙的方向性模糊聚类算法。该算法在概率模糊聚类算法中引入了数据方向相似性函数,能对不确定数据进行处理。在算法中利用粗糙集中的下近似集与边界集来确定目标对象函数,属于下近似集的数据在聚类时是确定的,属于边界的数据具有模糊性。实验结果表明,该算法能有效地对高维的方向性数据进行聚类。     

基于矩阵的双论域模糊概率粗糙集增量更新算法

双论域模糊概率粗糙集是针对双论域信息系统的一种新的数据挖掘模型,现实应用中的双论域信息系统总是处于动态更新中,针对该问题提出一种基于矩阵的双论域模糊概率粗糙集增量式更新方法.首先,通过矩阵方法重新对双论域模糊概率粗糙集进行表示;然后,在矩阵表示模型的基础上,分别研究双论域信息系统两个论域中对象增加和减少时模型的增量式更...     

维度变化的不完备混合型数据增量式属性约简

增量式属性约简是目前粗糙集理论的重点研究内容。针对不完备混合型信息系统属性变化的情形,提出一种基于正区域方法的增量式属性约简算法。提出了不完备混合型信息系统下正区域的一种等价且高效的计算表达形式,利用这种计算形式分别构造了属性增加和属性减少时正区域地增量式更新,理论证明了其高效性,基于这种增量式更新设计出了相应的增量式属性约简算法。UCI数据集的实验分析表明所提出增量式算法具有一定的有效性和优越性。