多粒度三支决策研究进展

多粒度三支决策利用三支决策理论,从多视角、多层次对复杂问题进行数据分析与处理,逐渐成为一种高效、可靠的智能决策方法。本文对多粒度三支决策的研究工作进行综述,主要介绍了多粒度融合策略、多视角三支决策和多层次三支决策,以及从定性和定量两个角度探讨了多粒度三支决策,讨论了不同多粒度三支决策模型之间的关系,并指出了多粒度三支决策研究中存在的若干问题,为该领域的深入研究提供参考。

基于测试代价的三支邻域属性约简算法

针对粗糙集属性约简时很少考虑属性自身的测试代价等问题,提出了一种基于测试代价的三支邻域属性约简算法。算法根据各属性在邻域分辨矩阵中出现的频次和比例来计算属性重要性,并结合属性自身的测试代价来构造性价比指标,以此指导属性的甄选。三支决策方法被用于划分属性集,为属性的约简处理提供数据支撑。在7个UCI公共数据集上进行对比实验,结果表明,该算法可得到比对比算法更小的属性约简集合,在分类精度不降低的情况下,该算法具有更少的运行时间和更小的测试代价。基于财政收入的预测应用实例进一步证明了所提算法的有效性和实用性。

IFN-γ联合IL-6在菌阴性肺结核诊断中的应用分析

目的探讨IFN-γ联合IL-6在菌阴性肺结核临床诊断中的应用及其临床意义。方法收集2021年10月21日至2023年4月27日期间在苏州大学附属传染病医院病例266例。依据肺结核诊断标准(WS288-2017),肺结核患者196例,其中男性130例,女性66例,平均年龄58.4±17.1岁;病灶双侧患者141例,病灶单侧患者55例;菌阳患者92例,菌阴患者104例。职业性尘肺病患者70例,其中男性69例,女性1例,平均年龄62.7±8.9岁。健康对照组20例,其中男性10例,女性10例,平均年龄58.6±6.3岁。采用流式细胞术检测血浆中细胞因子IFN-γ、IFN-α、IL-2、IL-4、IL-5、IL-6、IL-8、TNF-α、IL-10、IL-12P70、IL-1β、IL-17的表达水平,比较不同组别中这12项炎症细胞因子的差异。结果(1)活动性肺结核患者组血浆IFN-γ、IL-6水平显著高于健康对照组以及职业性尘肺病患者组(非结核性肺部疾病对照组)。(2)活动性肺结核患者中,双侧病灶肺结核患者组的血浆IL-6、IL-8水平显著高于单侧病灶肺结核患者组。(3)活动性肺结核患者中,菌阳性肺结核患者组血浆IL-6水平显著高于菌阴性肺结核患者组。(4)活动性肺结核患者中,γ-干扰素释放试验阴性患者组IFN-γ、IL-6水平显著高于健康对照组。(5)菌阴性肺结核患者中,γ-干扰素释放试验阴性患者组IFN-γ、IL-6水平显著高于健康对照组。结论IFN-γ、IL-6、IL-8可反映结核患者的炎症情况、疾病严重程度及细菌负荷,并且IFN-γ联合IL-6可以作为无病原学证据、免疫学检查结果为阴性且具有肺部影像学依据患者诊断的辅助指标,临床医师可以通过IFN-γ、IL-6的表达水平联合肺部影像学证据来为该类患者进行辅助诊断,并评估患者免疫状态,提高患者免疫力,为患者的个性化治疗提供依据。

基于阴影集的三支高斯混合聚类算法

针对三支高斯混合聚类算法(three-way Gaussian mixture model,T-GMM)的阈值通常为人为设定,增加算法的不确定性的问题,本文中将阴影集思想融入三支高斯混合模型,提出一种基于阴影集的三支高斯混合聚类算法(three-way Gaussian mixture model clustering based on shadow sets,ST-GMM);ST-GMM算法先构造一个关于阈值的目标函数,再通过优化算法选取最优阈值。基于10个不同类型的UCI数据集的实验结果表明:ST-GMM算法不仅继承了T-GMM算法的特点,同时有效地降低了人为设定阈值的误差,聚类细节的刻画也更加准确。针对评价指标的测试进一步验证了ST-GMM算法具有良好的聚类性能。

基于粗糙性度量的彩色图像分割方法

彩色图像分割技术是现代图像处理和图像分析领域的重要研究议题.结合粗糙集理论,利用像素邻域的空间信息,可以构造图像色彩分布的上下近似以及量化粗糙性表示,并据此设计基于量化粗糙信息的分割方法:QR measure,该方法依据数据分布获取自适应阈值进行峰值选定和区域合并.实验采用UCBerkeley开放的图像分割测试集,通过比较基于多种统计信息的分割方法,验证提出的优化算法可以取得更好的分割效果.

基于证据深度神经网络的医学影像三支决策

在医学领域中,基于影像数据分析的决策支持系统通常采用深度神经网络对医学影像进行分类以实现智能辅助诊断。然而,受标注数据受限、数据噪声、病灶表征不明确等因素影响,实际应用中医学影像数据通常包含不确定样例。对不确定影像数据直接应用深度学习方法进行强制确定分类可能导致严重病例误判,从而造成过高的系统决策风险。作为不确定性决策的有效工具,三支决策为不确定性数据分类提供了理论依据。基于三支决策的病例数据分类有助于区分不确定病例,延迟谨慎决策,通过人机协同有效降低系统决策风险。传统三支决策理论方法基于逻辑规则构造,擅长分析结构化数据,对于图像等非结构化数据不确定性分类存在应用局限。针对该问题,文中将证据理论与深度神经网络相结合,拓展构造了证据深度神经网络,并针对医学影像分类任务,构造了基于证据深度神经网络的医学影像三支决策方法。在肺炎、乳腺癌影像数据集上的实验表明,提出的三支决策方法能够有效识别高不确定度医学影像,降低决策系统病例分类风险。

粗糙几何及其在脱机手写数字识别中的应用

粗糙几何学将粗糙集理论应用于几何学之中,利用图形的上近似变换,在更粗糙的粒度上构造并分析几何图形。本文着重介绍了粗糙几何学的研究动机和理论基础,同时将其应用于脱机手写数字识别,并对粗糙几何未来的研究方向进行了展望。

区间值信息系统的知识约简

知识约简是粗糙集理论的重要研究内容之一.传统的知识约简主要针对单值信息系统,但在许多实际问题中,信息系统中的数据往往以区间值的形式存在,因此,区间值信息系统的知识约简研究具有重要意义.现有工作中,论域的分类结果存在冗余度大、误分率高等问题.针对上述问题,在区间值信息系统中引入了α-极大相容类的概念,并提出了新的粗糙上下近似算子,α-极大相容类的采用有效地提高了分类和粗糙近似精度.最后,给出了区间值信息系统知识约简的定义和相应区分函数的计算方法,为区间值信息系统的知识获取提供了一条新的途径.

否定句的情感不确定性度量及分类

情感分类是社交媒体大数据分析的有力手段之一.否定句作为一种普遍且特殊的句子现象,其情感分类的研究具有重要的意义.否定词语和情感词语在否定句情感分类中同样重要,已有方法仅仅考虑否定词语修饰情感词语的情况,忽视否定词语本身反映情感的作用.为了统一解决否定词语修饰和不修饰情感词语情况下的分类问题,提出了基于决策粗糙集的否定句情感分类模型.构造词典并结合句际关系计算子句情感值,根据子句情感值提出基于KL散度的句子情感不确定性度量方法;然后融合多个特征,特别是与否定相关的独立否定特征和显著副词特征,用于否定句的特征表示;最后提出基于决策相关程度的决策正域约简算法,生成否定句情感分类决策规则.实验结果验证了该模型的有效性以及情感不确定性度量对于情感分类的作用.

知识不确定性度量及其关系研究

知识的不确定性度量研究是人工智能领域的一个热点问题。在回顾几种经典知识不确定性度量方法的基础上,系统研究了这些度量方法之间的联系与区别,结果表明信息粒度等度量与知识粒度是等价的,而Rough熵和协同熵等则可看作是信息熵的派生,并通过实例验证了结论的正确性。

邻域粗糙协同分类模型

Pawlak粗糙集理论是一种有监督学习模型,只适合处理离散型数据.但在一些现实问题中存在着大量的连续型数据,并且有标记数据很有限,更多的是无标记数据.结合邻域粗糙集和协同学习理论,提出了适合处理连续型数据并可有效利用无标记数据提升分类性能的邻域粗糙协同分类模型.该模型首先构建了邻域粗糙半监督约简算法,并利用该算法提取两个差异性较大的约简构造基分类器,然后迭代地在无标记数据上交互协同学习.UCI数据集实验对比分析表明,与其他同类模型相比,该模型有较好的性能.

效用三支决策模型

风险型决策通常受主观和客观两方面因素影响,决策过程中不仅需要遵从客观存在的风险信息,而且需要发挥决策者的主观能动性。为了在决策过程中引入决策者对于风险的主观态度,本文把效用理论应用于三支决策模型,通过将风险损失函数扩展为效用函数提出了基于效用的三支决策模型。研究了效用与对象的概率之间的单调关系,给出了效用三支决策中正域效用、边界域效用与负域效用的计算方法。最后,通过算例对提出的效用三支决策模型进行了有效地分析。该模型是经典三支决策模型的扩展,为三支决策模型中风险的主观量化研究提供了有益探索。

强语义模糊性词语的情感分析

语义的模糊性给词语的情感分析带来了挑战。有些情感词语不仅使用频率高,而且语义模糊性强。如何消除语义模糊性成为词语情感分析中亟待解决的问题。该文提出了一种规则和统计相结合的框架来分析具有强语义模糊性词语的情感倾向。该框架根据词语的相邻信息获取有效的特征,利用粗糙集的属性约简方法生成决策规则,对于规则无法识别的情况,再利用贝叶斯分类器消除语义模糊性。该文以强语义模糊性词语"好"为例,对提出的框架在多个语料上进行实验,结果表明该框架可以有效消除"好"的语义模糊性以改进情感分析的效果。

基于稀疏低秩描述的图像检索方法

使用颜色、形状、纹理等特征的基于内容的图像检索技术,将图像看作向量空间中的点,通过计算两点之间的某种距离来衡量图像间的相似度,然而在提取图像特征时相同类型的图像会出现不一致的特征,极大地影响了检索算法的准确率。针对该问题,提出一种稀疏低秩描述的多特征图像检索方法。通过对图像集的稀疏低秩描述,保持了相同类别特征的全局结构,同时也降低了对于局部噪声的敏感度,增强了检索算法的鲁棒性。在Corel图像集上的检索实验结果表明,该方法较已有的基于内容的图像检索方法有更好的检索效果。

基于粗糙集理论的协同训练算法

为了提升风险决策环境下协同训练的效果,提出了一种基于粗糙子空间的协同决策算法。首先利用粗糙集属性约简的概念,将部分标记数据属性空间分解为两差异性较大的粗糙子空间;在各子空间上训练分类器,并依据各分类器决策风险代价及隶属度将无标记数据划分为可信、噪声和待定样本。综合两分类器的分类结果,标注少量可信无标记样本后重复协同训练。从理论上分析了算法性能提升的区间界,并在UCI数据集上进行实验,验证了模型的有效性及效率。

区间值决策表的正域增量式属性约简算法

实际应用中存在大量动态增加的区间型数据,若采用传统的非增量正域属性约简方法进行约简,则需要对更新后的区间值数据集的正域约简进行重新计算,导致属性约简的计算效率大大降低。针对上述问题,提出区间值决策表的正域增量属性约简方法。首先,给出区间值决策表正域约简的相关概念;然后,讨论并证明单增量和组增量的正域更新机制,提出区间值决策表的正域单增量和组增量属性约简算法;最后,通过8组UCI数据集进行实验。当8组数据集的数据量由60%增加至100%时,传统非增量属性约简算法在8组数据集中的约简耗时分别为36.59s、72.35s、69.83s、154.29s、80.66s、1498.11s、4124.14s和809.65s,单增量属性约简算法的约简耗时分别为19.05s、46.54s、26.98s、26.12s、34.02s、1270.87s、1598.78s和408.65s,组增量属性约简算法的约简耗时分别为6.39s、15.66s、3.44s、15.06s、8.02s、167.12s、180.88s和61.04s。实验结果表明,提出的区间值决策表的正域增量式属性约简算法具有高效性。

集值信息系统的快速正域约简

针对集值信息系统正域约简算法在大规模数据集下的运行效率问题,提出一种基于启发式的集值信息系统快速正域约简算法。通过研究属性和对象在约简过程中对算法运行效率产生的影响,在集值信息系统中引入属性无关性和属性重要度保序性的相关定义,介绍了使得算法运行效率提升的相关定理、快速算法和应用实例。通过实验对提出算法的有效性进行分析和验证。实验表明,提出算法的运行效率优于原始算法的运行效率。

PAM概率主题模型研究综述

近年来,主题模型逐渐成为计算机科学领域的一个研究热点,在自然语言处理、文本分类以及信息检索等方面都有很广泛的应用。介绍了概率主题模型的发展后,主要针对PAM模型及其改进的层次PAM和非参PAM进行了分析和比较,层次PAM可以更好地表达主题层次结构;非参PAM则是给定一个基于HDP的非参贝叶斯先验,对复杂结构的模型有更强的表现力。最后对PAM相关主题模型的理论及应用进行了总结,并对未来发展趋势进行了探讨。

决策粗糙集属性约简算法与属性核研究

属性约简是粗糙集理论的重要研究内容之一。在Pawlak粗糙集模型中,正区域大小随着属性增多而变大,呈现单调性。然而,在决策粗糙集模型中,概率正区域与属性集之间不具有单调性,从而产生各种属性约简定义。为此,深入研究了决策粗糙集属性约简问题,阐述了几种约简定义之间的关系,证明了保持局部最大概率正区域的约简具有较大的代价,指出了保持所有对象的正决策不变的约简呈现稳定性和存在属性核。

基于差别矩阵的区间值决策系统β分布约简

当前区间类型数据的规模越来越大,若采用传统的属性约简方法进行处理,就需要对数据进行预处理,而这会损失原始信息。针对上述问题,提出了区间值决策系统β分布的约简算法。首先,给出区间值决策系统β分布的概念和约简目标,并证明了提出的相关定理;然后,对于该约简目标构建了β分布约简的差别矩阵和差别函数,提出了区间值决策系统β分布约简算法;最后,使用14组UCI数据集进行实验验证。在数据集Statlog上,当相似度阈值为0.6,对象数目为100、200、400、600、846时,β分布约简算法的平均约简长度为1.6、2.2、1.4、2.4、2.6,基于差别矩阵的分布约简算法(DRADM)的平均约简长度为2.0、3.0、3.0、4.0、4.0,基于差别矩阵的最大分布约简算法(MDRADM)的平均约简长度为2.0、3.0、3.0、4.0、3.0。实验结果验证了所提β分布约简算法的有效性。