概念格在不完备形式背景中的知识获取模型

为了使概念格模型具有更强的数据处理能力,消除不完备信息带来的影响,针对经典概念格的局限性,本文将粗糙集中的粒化思维融入到概念格中。首先探讨了概念格视角下的信息粒化方法,然后提出了基于等价类和基于极大相容类的知识获取方法,最后给出了实例分析。这些方法一方面有助于概念格与粗糙集的融合,另一方面也为探索不完备形式背景的分析处理机制提供了有益思路。     

基于多划分的不完备信息系统的完备化模型

针对信息系统中的数据缺失问题,提出了基于模糊关系的多划分技术,建立了一个基于多划分的不完备信息系统的完备化模型。在该模型中,将不完备信息系统分解,引入模糊聚类分析方法构建了一个信息完备化平台,该平台融合了不同用户的需求,而非片面的依据某一个用户的喜好,使信息完备化结果更加合理。在信息完备化过程中,该模型考虑了属性重要性之间的差异,并赋予了相应的权值。该模型利用一些隐含在不完备信息系统中的有用知识为缺失信息的获取提供有效支持,是对传统模型"最高频率的属性值"的一个扩展。实例验证了该模型的有效性,该模型可以为不完备信息系统的完备化提供了可行的解决途径。     

偏序关系在形式概念分析中的应用

将偏序关系应用到形式概念分析中,定义了三个基于偏序集的衍生形式背景,利用衍生形式背景对原形式背景中的概念、内涵、可约对象、可约属性及蕴含规则进行了刻画,这种刻画更有利于人们对形式概念分析的深入理解。     

不完备形式背景中的知识获取方法

重点讨论了不完备形式背景中的相容概念以及基于相容概念的相容规则获取方法,同时给出了相应的构造算法。为了压缩规模庞大的相容规则集合,提出了一条推理规则来减少生成冗余相容规则的数目,最终得到一个完备的无冗余的相容规则集合。通过参数的设定可以满足不同用户的实际需求,实例证明该方法是有效的。该方法不仅为不完备形式背景的处理提供了一条新的途径,同时也为更深入的研究奠定了基础。     

形式概念分析在不完备信息系统中的知识获取

在实际应用中,信息系统通常不满足完备性,直接采用经典粗糙集无法进行有效求解。针对该问题,在粗糙集中引入形式概念分析,通过探讨二者之间的关系,在不完备信息系统中提出了两大理论融合下的知识获取模型。在该模型中,首先将不完备信息系统转换为单值形式背景,提出了相容概念和相容概念格,然后基于相容概念对不完备信息系统中的一些常见问题(如上下近似算子、核、约简等)的求解进行了研究,最后探讨了相容概念在不完备决策表中的应用。该模型不仅对两种理论之间的融合研究进行了有益探索,而且为不完备信息系统中的一些基本问题求解提供了一种新的思路。     

一种回归SVM选择性集成方法

泛化能力是机器学习关心的一个根本问题,采用集成学习技术可以有效地提高泛化能力.本文提出了一种将支持向量机(Support Vector Machine, SVM)进行选择性集成回归的方法.通过引入三个阈值,可以选择合适的子SVM,从而进一步提高了整个集成学习的效率.实验结果表明,本文提出的选择性集成方法可以在一定程度上解决SVM的模型选择问题和大规模数据集的学习问题,与传统的集成方法Bagging相比具有更高的泛化能力.