基于区间二型FCM和合理粒度原则的信息粒生成方法及应用

粒计算是知识表示与数据处理的一种新的理念和计算范式,现已成为复杂问题求解的有效框架之一。信息粒是粒计算的基本单位,构建信息粒以及利用信息粒实现问题求解是粒计算的两项基本任务。受认知主体的主观局限性和度量方法等因素的影响,信息粒的形成、表示与解释往往伴随着不确定性。本文基于区间二型模糊C均值(IT2FCM)聚类算法和合理粒度原则设计了二型信息粒的生成方法,不仅实现了信息粒的构建,而且能够体现出粒化过程中的不确定性。为验证所设计方法的合理性,本文在人工数据集上对粒化方法进行评估,并探讨不同参数值对粒化结果的影响。此外,利用所设计的粒化方法对船舶数据的结构信息及其不确定性进行刻画,以此来辅助船舶的分类管理。

基于合理粒度原则的多层模糊规则模型构建

模糊IF-THEN规则模型因其可产生具有较好解释性的推理结果受到了广泛的关注。对于高维、复杂的问题,模糊IF-THEN规则模型却未充分利用数据特征中包含的层次信息,对数据的多水平表征能力较弱。此外,模糊模型的构建往往受到数据质量、专家知识等因素的影响导致数值输出伴随着不确定性。本文基于合理粒度原则提出了一种具有多层结构的Takagi-Sugeno(T-S)模糊模型的建模方法。该方法在粒计算框架下将模糊技术与多层学习策略相结合,并在数据子空间内部采取逐层划分的方法进一步挖掘数据中隐含的结构信息,使模型具有良好的可解释性,同时以信息粒为输出体现了主要的预测范围。最后,在公开数据集上进行数据实验,检验了所提方法的有效性。

从局部到全局的规则模型:粒聚合研究

顾名思义,多视图模型是从不同的视角捕捉现实界系统的模型,通常包含本地可用的特性(如属性、输入变量)。综合考虑时,必须对一群多视图模型进行聚合。当建立一个包含所有属性的整体模型不可行且不能通过合理的计算实现时,多视图模型也会出现在包含大量变量的数据中。基于模糊规则体系结构,考虑和讨论2种情形。在构建多视图模型的聚合时,一个重要的任务是为整个全局模型设置一个可靠的质量度量,使用该度量可以有效地评估由规则模型生成的单个结果的相关性。提倡用输出的信息粒来量化结果的质量,而不是一个单一的数字结果。在上述2个情形中,使用合理粒度增强原理(粒计算的基础之一)聚合了一系列多视图模型产生的结果。认为多视图模型传递的结果多样性可以通过生成结果的粒度形式进行捕获和量化。最后,讨论了相关的优化准则和优化过程。