粗糙概念格分层建格算法及应用

粗糙概念格能够反映对象与特征间的确定与不确定关系,具有处理不确定性知识的能力,格的构建在应用过程中具有重要的意义。通过分析粗糙概念格的概念和结构,并结合一般概念格的构建思想,针对决策形式背景,提出一种以决策属性值为切入点的粗糙概念格的分层建格方法,从而丰富了粗糙概念格的构建理论。通过实例验证了该方法简单直观,效果良好。     

双序渐进式概念格合并算法

针对传统的概念格合并算法仅为单向的纵向或横向合并,提出一种基于概念内涵、外延升降序的双序渐进式合并算法。按照概念的内涵或外延的升序和降序,从两个方向(由上到下和由下到上)同时进行子概念格的纵向或横向合并。算法分析和示例结果表明,该算法不仅在结构上较好地保留了原有信息,而且在效率上也获得了显著的提高。     

粗糙概念格构造的算法

针对形式背景,利用概念外延与内涵之间特殊的关系,结合粗糙集上下近似概念,提出一种粗糙概念格构造算法,属性约简后运用粗糙度进行挖掘,获取可靠性知识。在构造过程中,对节点属性进行判断,有效地降低算法的时间复杂度。实际案例分析结果表明,通过属性约简与粗糙度的结合,该算法可以有效地挖掘获取可靠性知识,为数据分析挖掘知识提供了一种可行的思路和方法。     

多维概念格及其构造算法

传统概念格所蕴含的信息量是非常有限的,基于对多维数据序列的理解,重新描述和扩充了概念内涵,提出一种新的多维概念格,给出其渐进式构造算法。虽然新格的建立增大了格结构的复杂性,但能最大地保证数据的完备性,实现数据收集的全面性。通过实验验证了该算法是有效的。     

基于最大概念的概念格增量构造算法

针对增量概念格构造过程中,节点更新和生成元判定效率较低、边更新阶段的复杂度较高等问题,提出基于最大概念的概念格增量构造算法,通过跟踪与概念格中的概念具有相同真实内涵的最大概念,简化生成元的判断过程。该算法缩小了寻找新生节点父节点时的搜索范围,避免对生成元非必要边的判断,提高构造概念格的速度。复杂度分析结果表明,该算法的时间性能优于其他同类算法。     

加权概念格及其渐进式构造

概念格是数据分析与知识提取的有效工具.为了充分利用其进行数据分析和知识提取,本文通过对概念格的内涵引入权值,提出一种加权概念格,拓广了概念格的结构.同时由用户设立概念格内涵的最小阈值,构造了一种频繁加权概念格,并由此给出了频繁加权概念格的构造算法及其分析.最后,通过实例说明其是有效可行的.     

基于广义概念格的广义粗近似空间中规则的发现与提取

This paper proposes a new method of constructing generalized concept lattice and producing rules from it in the generalized rough approximate space based on generalized similar relation which is more extensive than equivalent relation.Finally,a simple algorithm is presented to extract rules based on interesting measure.     

一种频繁加权概念格的批处理构造算法

概念格是知识表示和数据分析的一种有效工具,加权概念格是一种刻画内涵重要性的概念格结构。文中通过引入虚结点的概念,提出一种频繁加权概念格的批处理构造算法。该算法首先通过引入虚结点概念,证明频繁加权概念格是一个完全格,从而纠正先前张继福提出的频繁加权概念格结构中某些频繁加权概念结点不存在上下确界的缺陷。其次,采用自底向上的方法来生成频繁结点和虚结点,以及对应的边关系,从而降低频繁加权概念格构造的时空复杂性,提高批处理构造效率。最后在恒星光谱数据上的实验验证算法的正确性和有效性。     

概念格构造算法分析

形式概念分析是一种有效的数据分析工具,已经得到了广泛的应用。概念格作为其核心数据结构目前已有各种构造算法。本文重点研究了Ganter和Nourine两种概念格构造算法,并通过实验分析在属性个数固定的情况下,当疏密度不同时,时间复杂度随对象数增加的变化情况。     

概念特化的概念格更新构造算法

概念格是形式概念分析中的核心数据结构,概念格应用的瓶颈之一是其构造效率. 针对形式背景的某个属性分解为多个新属性得到更加特化的概念,给出了一种基于概念特化的渐进式更新构造算法. 该算法利用分解后的新属性及其相应的形式背景,构造出的概念格与原概念格的某个子概念格作比较,来更新构造概念格,从而减少了比较次数,提高了更新构造的效率. 以天体光谱数据作为形式背景,实验验证了该算法的正确性和有效性.     

粗糙集与BCK代数

粗糙集的代数刻画是粗糙集理论中研究的一个重要方向,在偶序对[R(X),R(X)]构成的集合中定义了二元运算[*],证明了序偶对构成的集合构成了一个有界BCK代数,给出了基本的性质,为粗糙逻辑和粗糙推理奠定了基础。     

概念格理论与方法及其研究展望

概念格理论与方法是形式概念分析研究中的基本内容,该研究已取得一系列的重要成果,主要集中在概念格模型推广、概念格构造、概念格约简、基于概念格的规则提取、概念知识空间、概念格的粒计算方法及概念格应用等研究方向.为了进一步促进形式概念分析的研究与发展,文中对现有的概念格理论与方法进行梳理、总结与展望.特别地,指出上述研究方向中存在的关键科学问题,进行一些理论分析,并提出初步的研究思路,为今后解决这些问题提供有益的参考.     

基于Rough Set的属性约简及应用研究

设计简洁的切实可行的基于Rough Set的属性约简的算法.通过基于Rough Set的属性约简方法对两个实际应用说明了如何利用该方法计算条件属性相对于决策属性的重要度,去除冗余属性,形成新的精简的知识发现属性集,从而提高数据挖掘效率.     

粗糙近似算子的公理化刻画:综述

从近似空间导出的一对下近似算子与上近似算子是粗糙集理论研究与应用发展的核心基础,近似算子的公理化刻画是粗糙集的理论研究的主要方向.文中回顾基于二元关系的各种经典粗糙近似算子、粗糙模糊近似算子和模糊粗糙近似算子的构造性定义,总结与分析这些近似算子的公理化刻画研究的进展.最后,展望粗糙近似算子的公理化刻画的进一步研究和与其它数学结构之间关系的研究.     

一种新的Rough集方法在不完备信息系统中的应用

本文提出了一种新的基于相容近似空间的Rough集理论在不完全信息系统中进行知识提取.     

多粒度邻域粗糙直觉模糊集模型*

针对名义型属性和数值型属性并存的混合型数据,结合多粒度邻域粗糙集和直觉模糊集,分别定义模糊覆盖粗糙隶属度和非隶属度.基于不同的属性集序列和不同的邻域半径,构建多粒度邻域粗糙直觉模糊集模型,证明模型相关性质.然后提出乐观和悲观多粒度邻域粗糙直觉模糊集的近似集,并讨论模型性质.最后使用文中模型计算实例,说明其能较好地解决名义型属性和数值型属性的混合型数据的处理问题.     

精度与程度的逻辑或粗糙集模型

精度与程度是两个重要的量化研究指标.文中目的是结合精度与程度,探索粗糙集拓展模型.通过研究变精度近似与程度近似的关系,得到两者的转化公式.基于精度与程度的逻辑或需求,提出精度与程度的逻辑或粗糙集模型,提出粗糙集区域,更精确地分划论域.在精度与程度的逻辑或粗糙集模型中,得到粗糙集区域的基本结构,提出计算粗糙集区域的常规算法和结构算法,并进行算法分析与比较.精度与程度的逻辑或粗糙集模型拓展了变精度粗糙集模型、程度粗糙集模型、经典粗糙集模型,并在这些模型中得到相应的粗糙集区域结构.     

网格资源模糊格模型及其算法研究

在研究总结了现有成果的基础上,首次提出了模糊概念格和模糊概念trie树的网格资源管理策略,将形式概念分析理论和网格资源管理技术进行了有机结合.给出了网格、资源的形式概念定义,建立了网格资源阈值模糊概念格模型.在阈值模糊概念格模型基础上,利用形式概念分析方法构造了网格资源模糊概念的外延trie树和内涵trie树,并给出了树的生成和资源与服务检索算法.实验和应用实例表明,这种资源组织方式是可行的和有效的.     

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.