协调的不完备多粒度标记决策系统的最优粒度选择

针对具有多粒度标记的不完备信息系统的知识获取问题展开研究,首先,介绍不完备多粒度标记信息系统的概念,在不完备多粒度标记信息系统中的对象集上定义相似关系.然后,给出在不同粒度层面下信息粒度的表示及其相互关系,并进一步定义基于相似关系的集合的下、上近似概念,讨论它们的性质.最后,用证据理论中的信任函数和似然函数刻画协调的不完备多粒度标记决策系统的最优粒度选择特征.

多决策的多粒度标记系统的最优粒度选择

目前查看到的关于多粒度标记信息系统的研究仅是基于单决策情况,较少有关于多决策的研究,而在实际生活中处理的数据表常带有多决策。针对该情况,首先给出了多决策的多粒度标记信息系统的概念,并定义了适用于该系统下的广义决策函数;然后,利用广义决策函数探讨协调、不协调两种信息系统的最优粒度选择策略,并根据两者之间的联系给出了同时适用于协调与不协调两种信息系统选择最优粒度的策略;最后,给出了相应的例子帮助说明所提出的方法的可行性。

不协调多粒度标记决策系统最优粒度的对比

针对具有多粒度标记的不协调决策系统的知识表示和知识获取问题展开研究.首先,介绍多粒度标记信息系统的概念,在多粒度标记信息系统中定义不可分辨关系.然后,给出由不同粒度层面下信息粒度的表示及其相互关系,并进一步定义在不同粒度层面下集合的下、上近似概念,并讨论它们性质.最后,介绍不协调多粒度标记决策系统中8种协调性和最优粒度概念,并讨论它们之间的相互关系.

广义不完备多粒度标记决策系统的粒度选择

粒计算(granular computing,GrC)是知识表示和数据挖掘的一个重要方法,它模拟人类思考模式,以粒为基本计算单位,以建立大规模复杂数据和信息处理的有效计算模型为目标.粒计算主要研究粒的构造、解释、表示、粒度的选择以及用规则形式所描述的粒与粒之间的关系等.针对具有多粒度标记的不完备信息系统的知识获取问题,首先,介绍了广义不完备多粒度标记信息系统的概念,在该信息系统中定义了相似关系,给出了在不同粒度标记层面下信息粒的表示及其相互关系,并定义了基于相似关系的集合的下、上近似概念,给出了近似算子的性质;其次,定义了广义不完备多粒度标记决策系统中的粒度标记选择的概念,阐明了所有粒度标记选择全体构成了一个完备格;最后,讨论了广义不完备多粒度标记决策系统中的最优粒度标记选择问题,并用证据理论中的信任函数和似然函数刻画了协调的不完备多粒度标记决策系统的最优粒度选择特征.

多源多粒度标记决策系统的最优粒度选择

多粒度标记决策系统是一种重要的关系数据库,近年来学者们对多粒度标记决策系统的最优粒度选择、属性约简及规则约简展开了研究。然而,目前未见有关多源多粒度标记决策系统的研究。首先,介绍了多源多粒度标记决策系统的概念并给出了多源情况下基本信息粒的表示、上下近似算子和信任函数;然后,讨论了多源多粒度标记决策系统中局部信息源的协调性及其在协调与不协调情况下最优粒度选择的策略,并进一步研究了协调与不协调系统的最优粒度选择策略的关系,给出了同时适用于协调与不协调两种信息系统选择最优粒度的方法。最后,结合局部信息源所选的最优粒度,从不同角度出发给出了乐观、悲观及广义三种选择全局最优粒度的方法。

随机多粒度标记序决策系统的最优粒度选择

传统随机信息系统的属性一般只有一个粒度层面,即系统中的每一个对象在每一个属性上取唯一的值,而在实际应用中,人们往往需要从不同的粒度层面去获取知识.实际生活中数据集的一个对象在同一个属性上根据不同的粒度可以取不同值.针对多粒度数据集的知识获取问题,本文讨论随机多粒度标记序信息(决策)系统的最优粒度选择问题.首先,通过优势关系给出随机多粒度标记序信息系统的信息粒表示,进一步定义由条件属性集导出集合的下近似与上近似,描述在不同标记下的信息粒的结构以及上、下近似的变化关系;其次,用证据理论的信任函数与似然函数来刻画随机多粒度标记序决策系统的两种最优粒度;最后,给出协调和不协调随机多粒度标记序决策系统的最优粒度选择算法.

形式概念分析的多粒度标记理论

通过正向尺度化和反向尺度化方法,研究信息系统与形式背景之间的相互转化关系,利用经典形式背景给出多粒度标记形式背景的定义,证明多粒度标记形式背景与多粒度标记信息系统在语义上等价。对于多粒度标记形式背景,不同粒度标记下的蕴涵规则之间可以相互推理。所得结论为今后进一步研究形式概念分析的多粒度标记方法提供了理论基础。

多粒度形式背景的表示

形式概念分析中多粒度形式背景存在两种表示方法:一种是由多粒度标记属性诱导出的多粒度形式背景,另一种是由属性粒化诱导出的多粒度形式背景.为了对这两种表示方法进行对比研究,本文基于布尔属性取值分布提出了类属性块的概念,在此基础上定义可类属性块分割的形式背景,表明了当原始形式背景为可类属性块分割时多粒度形式背景的两种表示方法能够相互转化.可类属性块分割的研究方法为进一步讨论多粒度形式背景奠定了基础.

动态更新属性值变化时的最优粒度

针对在实际应用中可能由于人为或其他因素造成某个粒度下属性值变化的问题,研究了某个粒度下属性值变化时最优粒度的选择策略,并根据理论研究内容设计了相应的静态和动态最优粒度选择算法,最后在UCI数据库中选取6组数据进行了实验.实验结果表明,新提出的方法是可行且有效的,且相对比静态算法动态最优粒度选择算法在一定程度上减少了计算时间,提高了时间效率.