知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识[x]内的元素个数被减少;利用属性集α内的部分属性被删除,知识[x]内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。

数据流模式依赖挖掘及应用

针对数据流间"模式依赖"问题,给出了一种模式依赖挖掘算法,该算法包括:挖掘前时间序列分段和模式表示,条件规则元组的创建和维护,模式依赖的置信度和支持度计算,2个或N个数据流概要结构的设计等。股票数据实验和实际系统表明,该挖掘方法能够有效地发现数据流间的模式依赖,可用于预测。

信息的P-依赖与信息P-依赖挖掘-筛选

P-集合(packet sets)是一个新的动态模型,它是由内P-集合X^F(internal packet set X^F)与外P-集合X^F(outer packet set X^F)构成的集合对,即(X^F,X^F)是P-集合。P-集合把动态特性引入到有限普通集合X(cantor set X)内,改进了有限普通集合X。文中通过利用P-集合与它的动态特性,给出信息P-依赖(packet dependence)与P-依赖结构,给出信息P-依赖的属性特征,进而给出信息P-依赖挖掘与挖掘定理,以及P-依赖挖掘准则与信息P-依赖挖掘-筛选原理;最后根据这些研究结果给出应用。

基于马尔科夫毯的近似函数依赖挖掘算法

近似函数依赖挖掘方法通过放宽函数依赖成立条件,允许一定比例的违反,保证原本成立的函数依赖在噪声数据中仍然可以被挖掘出来。然而,现有的发现算法在放宽函数依赖成立条件之后,容易挖掘出大量左部属性数量较多的虚假函数依赖,导致挖掘结果的准确率显著降低。为了解决这一问题,提出基于马尔科夫毯的近似函数依赖挖掘算法,利用马尔科夫毯剪枝左部属性搜索空间,缩小决定项的候选集合,并通过向下泛化算法减少了误差的计算次数,同时降低了复杂度。在保证不丢失真实函数依赖的前提下,避免了近似函数依赖过拟合,从而提高了挖掘结果的准确率。实验结果表明,该方法在真实数据集和合成数据集上的准确率优于现有的近似函数依赖挖掘方法。

函数P-集合与内P-信息规律依赖内-挖掘

函数P-集合(function packet sets)是把函数概念引入到P-集合(packet sets)内,改进P-集合得到的,函数P-集合具有动态特性、规律(函数)特性。函数P-集合是由函数内P-集合SF(function internal packet set SF)与函数外P-集合SF(function outer packet set SF)构成的函数集合对;或者,(SF,SF)是函数P-集合。利用函数内P-集合给出内P-信息规律生成概念、内P-信息规律生成的属性定理、内P-信息规律依赖特征与数据损失定理、内P-信息规律依赖生成的信息规律变轨特征,并给出未知内P-信息规律依赖内-挖掘及其应用。

S_P-上阶梯知识挖掘及状态识别算法

单向Sp-粗集中,具有属性集α的知识[x](R-元素等价类[x])具有这样的特征:若α内被补充属性,则[x]内的元素个数被减少。利用这一特征,考虑属性补充的随机性,给出Sp-上阶梯知识,Sp-上阶梯知识的依信度生成,Sp-上阶梯知识属性依赖的原理,给出Sp-上阶梯知识的属性依赖挖掘定理,Sp-上阶梯知识的状态识别算法。

S_p-下阶梯知识挖掘及状态识别

单向Sp-粗集中,具有属性集α的知识[x](R-元素等价类[x])具有这样的特征:若α内部分属性被删除,则[x]内的元素个数增加;利用这一特征,考虑属性被删除的随机性,给出Sp-下阶梯知识,Sp-下阶梯知识的依信度生成,Sp-下阶梯知识属性依赖的原理,给出Sp-下阶梯知识的属性依赖挖掘定理,Sp-下阶梯知识的状态识别算法。