基于析取规则对不确定数据挖掘的优化研究

在商业、医疗等数据分析中,不知道存在或不存在的一些项目事件组成的数据叫做不确定数据,它的特点是离散型随机变量的概率分布,不确定数据中的挖掘算法研究是当前大数据分析中的重要方向.针对不确定数据的随机变量性特征,有效提高挖掘结果的置信度和提高算法运行时间,本文提出一种挖掘析取关联规则的算法DRUD,利用模糊集的方法选取2元频繁项集,对比最小支持度,完成有效的析取规则提取.经过在大量不同不确定数据库中仿真表明,对比类似算法UApriori和PFCIM,本文所提出的DRUD算法产生的规则置信度得到提高,算法效率有较好改进,新的算法更加适用于不确定数据中的大数据挖掘应用.

参数自适应的析取云模糊置信规则识别方法

为获得准确的模糊置信规则结构参数,提出了参数自适应的析取云模糊置信规则识别方法 .为完成模糊域的自适应划分,提出了基于频数统计的双门限检测方法和基于包含度的双门限检测方法 .用云模型作为模糊集,改变熵系数和超熵系数,实现对模糊集形状的调整;前提属性的联接设置为析取逻辑关系,改进了证据的基本概率赋值方式,对规则权重和属性权重进行了优化.实验结果表明,与其他方法相比,本文方法的正确识别率提高了5%~15%,规则可解释性更强.

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题,为此,将深度神经网络与析取置信规则库结合,有效减少模型的规则和参数的数量;引入梯度下降算法优化模型参数,提高模型构建和优化的效率.通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验,对提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比.结果表明,所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.

对推理规则在非经典逻辑中失效的分析

论文认为强化前件规则对虚拟条件句确实足失效的，但传递原则、逆换原则和析取前件消去规则并没有像希尔皮南所说失效了。如果对同一性替换规则加上条件：对一个命题的某个部分实施替换，要求所利用的同一性在该命题的模态下也成立，则同一性替换规则可以运用于模态语境。奎因对存在概括规则在模态语境中失效的分析并不完全准确。

区间值不确定推理真值传播的计算方法

通过用方差定义左右修正量,将点值不确定推理真值传播计算方法推广到区间值情形,提出了一种区间值不确定推理真值传播计算方法。本文所提出的方法表达式简单,易于理解与计算。

新的不确定推理真值传播计算方法

针对现有不确定推理真值传播方法存在的缺陷 ,提出一种新型不确定推理真值传播的计算方法 .该方法简单、直观 。

类别学习的文化差异

目的:①检测当被试在完成一个以析取性规则为基础的分类任务时,是否存在能够测量到的文化差距;②检测当被试在完成一个非线性、信息整合分类任务时,是否存在能够测量到的文化差距。方法:70名高加索人,63名华裔美国人和104名中国人(其中51名来自农村,53名来自城市)分别参与到知觉分类任务中的两个实验条件:析取性规则任务和信息整合任务。结果:①4组被试在实验1上存在差异。各组数据甚至在考虑了分类策略的前提下进行换算后,差异依然存在(P≤0.05);②4组被试在实验2上没有差异。结论:①当应对不止一个刺激维度、必须关注其整体特性才能学会一种外显的分类规则的时候,华人被试比高加索人被试要表现得更好;②强调内隐学习过程的分类任务对种族上的差异并不敏感。