显著对象的非监督粗糙认知算法

提出了一种显著对象非监督粗糙认知算法.算法首先定义了一种粒计算模型,然后按双概念拓扑划分论域,依据尺度过滤掉过小拓扑等价类;用拓扑连通强度、拓扑分布密度等计算出拓扑等价类的拓扑显著度;借改进Fisher线性判别算法找到最大跃变点,裁掉拓扑显著度过小的拓扑等价类,得到候选区;以维扫梯度等捕捉拓扑等价类间的渐变模式,完成局部粗糙分割,得到候选对象,更新候选对象的拓扑显著度;再次调用Fisher线性判别算法裁减,如果还剩多个对象,用位权选择最终显著对象.最后,以实验分步验证了算法的执行过程,并与同类3种算法的提取结果作了比较分析,证实了新算法有着较优的语义逼近能力和快捷的速度.

粗糙认知图RCM模型研究

在继承模糊认知图模型优点的前提下,考虑到认知图和模糊认知图不能表示概念间关系的多样性及关系测度对概念状态值的动态依赖关系,也不能表示概念间因果关系测度的不确定性,将粗糙集的思想融入到认知图中,提出粗糙认知图模型,从而将概念间关系的多样性、时空特性有效的融入认知图中,并抽象出两概念间的一个综合关系,赋予权值,以完成因果关系推理,扩展了FCM的应用领域及模拟概念间关系的能力。较大限度地减少了认知图对现实世界模拟的失真。