专家寄语

波兰科学院院士Pawlak在研究关系型数据库推理10余年的基础上,于1982年提出了粗糙集理论(Rough Set Theory),它是一种关于不精确、不确定、不一致数据分析与推理的强有力的模型与理论.粗糙集理论的提出立刻引起了国际人工智能领域专家学者的重视;20世纪90年代国内从事人工智能研究的专家学者开始重视粗糙集理论与应用的研究.随着Internet技术特别是WWW技术的飞速发展,Internet已经变成一个庞大的、分布式的、异构的数据库与计算平台.传统的数据库和文本的理论、方法、技术很难应用于Web 的处理,在这样的背景下,华人专家钟宁、刘际明和姚一豫教授于2000年提出了网络智能(Web Intelligence).     

基于相容关系的基因选择方法

有效的基因选择是对基因表达数据进行分析的重要内容。粗糙集作为一种软计算方法能够保持在数据集分类能力不变的基础上,对属性进行约简。由于基因表达数据的连续性,为了避免运用粗糙集方法所必需的离散化过程带来的信息丢失,将相容粗糙集应用于基因的特征选取,提出了基于相容关系的基因选择方法。首先,通过i检验对基因表达数据进行排列,选择评分靠前的若干基因;然后,通过相容粗糙集对这些基因进一步约简。在两个标准的基因表达数据上进行了实验,结果表明该方法是可行性和有效性的。     

用神经网络启发式算法求解最大独立集问题

本文提出一种求解最大独立集问题(MIS)的启发式神经网络算法.该算法基于MIS问题的特点,有效地限制神经网络初始点的选择范围,并利用神经网络快速收敛能力获得问题的解.与标准神经网络算法相比,该算法显示了较高的全局优化性态与计算效率.模拟计算实例表明了该算法的有效性.     

主动协同半监督粗糙集分类模型

粗糙集理论是一种有监督学习模型,一般需要适量有标记的数据来训练分类器。但现实一些问题往往存在大量无标记的数据,而有标记数据由于标记代价过大较为稀少。文中结合主动学习和协同训练理论,提出一种可有效利用无标记数据提升分类性能的半监督粗糙集模型。该模型利用半监督属性约简算法提取两个差异性较大的约简构造基分类器,然后基于主动学习思想在无标记数据中选择两分类器分歧较大的样本进行人工标注,并将更新后的分类器交互协同学习。UCI数据集实验对比分析表明,该模型能明显提高分类学习性能,甚至能达到数据集的最优值。     

知识的划分粒度表示法

对知识的分类能力给予量化,提出一种知识表示法——划分粒度表示法,利用划分粒度可定量表示知识的分类能力.首先给出粗糙集理论中主要概念的代数表示,其次定义知识的划分粒度并研究它的性质,最后证明知识的代数表示与划分粒度表示是等价的.     

基于密度加权的粗糙K-均值聚类改进算法

针对粗糙K-均值聚类算法中类均值计算式的特点,提出了一种改进的粗糙K-均值算法.改进后的算法基于数据对象所在区域的密度,在类的均值计算过程中对每个对象赋以不同的权重.不同测试数据集的实验结果表明,改进后的粗糙K-均值算法提高了聚类的准确性,降低了迭代次数,并且可以有效地减小孤立点对聚类的影响.     

一种基于结构的票据定位新方法

为了提高票据识别的准确率,对票据定位进行了研究。提出了一种基于结构的定位方法。它利用票据主边框上交叉点的个数和相对位置作为票据的特征信息,并将这些信息通过相应的分类相似函数集与已定义的模版进行匹配,从而实现对票据的分类,最终提取出当前票据的识别区域。实验结果表明:该算法取得了很好的定位效果。     

嵌套决策粒度约简关系的研究

在基于粗糙集理论的知识发现中,知识约简是核心内容。因此,本文从理论上分析了相容决策表中嵌套决策粒度约简的关系,得出并证明了粗决策粒度的相对 D 核一定是细决策粒度相对 D 核的子集,粗决策粒度的一个相对D约简在满足相容性的条件下一定可以扩张成细决策粒度的一个约简。反之,细决策粒度的一个约简一定可以缩减为粗决策粒度的一个约简。研究结果对基于决策表的知识约简和知识发现有一定的实际意义。     

粒度计算的基本问题和可能解决的方案设计

1粒度计算的研究动机 人工智能自1956年问世以来,在知识表示、问题求解、机器学习及专家系统等方面尽管取得了一些成果,但还远未形成完整的理论体系,而且面对复杂的系统设计及模糊的、不精确的、不完整的和海量的信息处理,传统理论和方法遇到了前所未有的困难.众所周知,智能模拟是获得人工智能、实现智能控制的重要途径.     

因果信息在不同粒度上的迁移性

知识与粒度相关,在不同粒度上对现象的解释不同,而因果性描述的是现象的本质特征。因果性与粒度之间存在着怎样的关联,一个粒度上的因果关系是否可移植到其他不同粒度上,是目前人工智能研究亟待解决的问题。针对由观测数据构成的信息系统,从数据中直接抽取因果变量所需满足的基本图形结构,估算变量间的因果关系;再通过向系统中添加新属性以及合并多个信息系统,改变原系统中信息的粒度,研究所识别的因果关系在新系统中的可迁移性。若新属性作用于结果变量,则原系统中的因果关系不可迁移至新系统;若新属性对结果变量无影响,则原系统中的因果关系可移植至新系统。