粒度模糊规则建模方法研究综述

本文旨在梳理粒度模糊规则模型中的主要研究及构建方法,并且进行系统分析与总结。粒计算是一种能模拟人类思维方式和求解复杂问题的新兴理论体系,以此为基础的粒度模型为复杂非线性系统的描述和问题求解探索了新的方向。粒度模糊规则模型将信息粒融入现有的模糊规则建模方法中,进行粒度级别的系统建模,以实现更高层次的数据分析与推理。本文简要介绍模糊聚类和模糊规则模型的基础知识;归纳了信息粒的构建方法,并讨论了相应的评估方法;总结了典型的粒度模糊规则模型的设计架构和优化方法。

改进粒计算算法下时序数据关联规则挖掘仿真

挖掘数据的关联规则有利于提高数据的利用率,时序数据通常包含大量的时间序列和多个特征,在挖掘过程中受噪声的干扰,导致挖掘精度下降。为了解决这一问题,提出基于改进粒计算的时序数据关联规则挖掘模型。采用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法对时序数据分解,对分解后获得的数据分量滤波,通过数据重构获得去噪后的时序数据;根据CerFac模型通过自底向上的方式对时序数据展开属性约简;采用改进粒计算的方式在属性约简后的时序数据中挖掘关联规则。实验结果表明,所提方法可有效消除时序数据中存在的噪声,高精度的实现时序数据的属性简约处理,且挖掘时间保持在1.5ms内,表明所提方法的挖掘效率高。

基于模糊规则的电力系统运行数据异常识别研究

在识别电力系统运行数据异常的过程中,由于缺乏对数据之间关联关系的分析,识别结果的误差相对较大,因此提出一种基于模糊规则的电力系统运行数据异常识别方法。在构建电力系统运行数据模糊规则阶段,充分考虑了电力系统运行数据自身的属性特征,以合理粒度为原则,构建了具有多层结构的模糊规则,对数据的特征参量进行分割处理后,根据数据集中隐含的结构信息构建了电力系统运行数据之间的关联关系。在数据异常识别阶段,将模糊规则作为判断标准,计算电力系统运行数据的特异性程度,并通过约束模糊粒度保障识别结果的精度。测试结果证明,设计方法对不同程度数据异常的识别误差始终稳定在3.0%以内。

Dominance-based rough set approach as a paradigm of knowledge discovery and granular computing

Dominance-based rough set approach(DRSA) permits representation and analysis of all phenomena involving monotonicity relationship between some measures or perceptions.DRSA has also some merits within granular computing,as it extends the paradigm of granular computing to ordered data,specifies a syntax and modality of information granules which are appropriate for dealing with ordered data,and enables computing with words and reasoning about ordered data.Granular computing with ordered data is a very general paradigm,because other modalities of information constraints,such as veristic,possibilistic and probabilistic modalities,have also to deal with ordered value sets(with qualifiers relative to grades of truth,possibility and probability),which gives DRSA a large area of applications.

多粒度决策系统的局部最优粒度选择

粒计算是知识表示与数据挖掘的一种重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同标记尺度对数据有不同的分割,会得到不同层次的信息粒度.在面对具体问题时,自然而然地考虑选择一个合适的粒度层次来解决问题.针对具有多层粒度决策系统的粒度选择与规则获取问题,首先介绍了多粒度决策系统的概念,并在多粒度决策系统中定义了局部最优粒度,然后介绍了多粒度决策系统中基于局部最优粒度的属性约简.最后,给出了基于局部最优粒度的规则获取方法,并结合具体实例给出了规则获取的一个算法.

多标记背景下基于粒标记规则的最优标记选择

首先给出标记背景的定义,在多标记背景下提出标记规则的概念,讨论标记规则的一些性质.然后在多标记背景的基础上,引入决策标记得到多标记决策背景,进一步探讨标记规则之间的冗余问题.再通过粒标记规则定义多标记决策背景的协调性,提出在保持协调性的前提下选择最优标记的方法.最后通过数值实验说明文中算法的有效性.

基于最大粒的悲观邻域多粒度粗糙集规则获取算法

基于粒计算的规则获取在一定程度上弥补规则获取算法的缺陷,然而大多数算法仅适用于处理名词型数据.为了从多粒度、多层次的角度处理数值型或混合型数据,基于邻域多粒度粗糙集模型,通过计算邻域多粒度条件粒与决策粒,分析条件粒在规则获取过程中的冗余关系,进而通过剪枝规则获取过程中的冗余条件粒.在此基础上,设计较高效的基于最大粒的悲观邻域多粒度粗糙集规则获取算法.通过理论分析与实例对比验证算法的有效性和优越性.

基于属性概念的决策形式背景协调性研究

决策形式背景是在形式背景的基础上通过增加决策属性而得到的,相应的可生成条件格和决策格。基于这两个格中属性概念外延之间的关系提出属性粒协调决策形式背景这一概念,并从属性概念的角度给出决策形式背景现有的强协调性、弱协调性和协调性的新的描述方式,进一步解释属性粒协调决策形式背景与这三种决策形式背景之间的关系;最后,提出属性粒规则的概念,并给出以此为基础的规则获取方法。

网络化协作任务分解策略与粒度设计

针对已有任务分解方法所存在的问题,提出了基于项目-任务-活动框架的定性任务分解策略,引用软件工程中软件度量的思想,建立了任务内聚系数的计算公式,从定量角度提出了任务粒度设计的新方法。该方法可以准确评估网络环境中复杂产品协作设计流程不同粒度的任务分解模型,从而实现设计过程的灵活组织和有效管理。最后,给出了应用实例,说明了该方法的有效性和可行性。

文档管理系统中小粒度授权机制的研究

提出了操作权限分类的方法和标准,结合文档管理的业务特点,进行了基于文档结构树的授权业务建模;为求解权限管理的基本问题公式,建立了资源可拓展的、分级授权的授权机制,定义了授权机制的粗规则和业务逻辑接口,实现了树型资源等复杂资源系统的权限分配方式。

一种基于关联规则的知识推送方法

针对复杂机械产品概念设计中数据量大造成的知识获取问题,为充分挖掘知识资源的潜在价值。在论述零件产品知识模型和关联规则原理的基础上,提出一种基于关联规则的知识粒度化推送方法。首先将零件知识依据知识粒度层次理论进行描述,并引入知识需求概念,构建关联知识主动推送框架;然后依据关联规则FP-tree算法完成关联知识相似度匹配,有效的加速了知识检索和推送的速度;最终以机械产品实际生产为例验证所提方法在知识推送应用中的可行性。

基于粒计算优化的DCT车辆起步离合器模糊控制

文章针对模糊控制技术中模糊规则冗余致使控制系统复杂性增加的问题,提出了一种基于粒计算优化的模糊控制方法,即使用邻域作为粒计算的表达,并以规则覆盖度和置信度作为启发信息,对模糊规则进行提取,简化模糊控制器,并能满足控制要求。Matlab/Simulink仿真结果表明,该方法应用于DCT(dual-clutches transmission)车辆起步过程的离合器控制时,可以减少起步模糊规则的数量,提高控制的实时性,满足车辆起步平稳、快捷的要求。

协同开发过程任务粒度设计的度量模型

以设计过程中具有活动约束的任务为研究对象,引用软件工程模块化设计的内聚概念,建立了基于活动约束的任务设计内聚度量模型.通过对内聚系数的公式化计算和启发式规则比较,为任务粒度的设计提供了一种新的定性分析方法.提出了用活动单元关联矩阵图来计算约束结构中控制元数目的方法,提高了内聚系数计算的快速性和准确性.最后,给出了模型分析的评估准则,并结合实例计算结果,说明该模型对协同开发过程建模的任务粒度设计是有效的.

基于粒网络生成规则的文本分类研究

文本分类是数据挖掘的一种应用,分类器的设计是其中最重要的一个环节。与那些基于统计方法的分类算法比较,给予规则的分类算法在很多情况下更具优越性。提出了一种基于粒运算的方法,通过建立粒网络生成分类规则,从而实现文本分类的方法。本算法通过从最大的粒中提取较小粒,直至产生最小粒的过程建立起一个粒网络,从而产生分类规则,实现文本的分类。

关系粒度的概念格增量维护与关联规则更新

为了适应动态环境下概念格应用的实践需要,有必要研究关系粒度的概念格维护和关联规则更新。首先,给出了父子概念对的概念,并在此基础上设计了基于关系粒度的概念格增量维护算法。其次,发现了一个概念的内涵缩减由这个概念和其父概念的内涵差集决定,一个概念的内涵缩减决定这个概念蕴涵的关联规则。最后,根据这一观点提出了基于关系粒度的概念格关联规则更新的方法。

基于粒关联规则的冷启动推荐方法

推荐系统已被广泛应用于电子商务等多个领域。冷启动问题是推荐系统的一个难点。基于粒关联规则的冷启动推荐方法,运用粒来描述用户和产品,通过满足粒关联规则的4个指标,挖掘出用户和产品之间的关联规则,匹配合适的规则,最后根据这些规则向用户做出相应的推荐。在公开有效的数据集MovieLens上进行了实验,结果表明,用粒关联规则所挖掘出的规则可以有效地用于训练集和测试集上的推荐,并且具有较好的准确性。

基于粒计算的Apriori算法及其在图书管理系统中的应用

粒计算作为一种新的信息和知识处理的方法近来已经被许多研究者所重视,以及在许多领域中的得到应用。本质上,粒计算能够表示存储在系统中的数据的语义信息,因此粒计算能作为用于探索数据性质的一种方法,如挖掘数据库中的关联规则。本文在分析经典Apriori算法的基础上,从信息粒的角度出发,提出基于粒计算生成k-频繁项目集算法。分析了对给定问题,当用粒计算模型求解时需要解决的几个基本问题。最后通过实例说明如何通过信息粒的二进制表示,并基于粒计算k-频繁项目集生成算法来获取隐藏在图书借还记录中的有关关联规则。可以看出该算法具有实际应用价值。

基于粒计算的关联规则挖掘算法

讨论粒计算在关联规则挖掘中的应用,通过对基本信息粒的划分、对粒子对象集合的映射,减少扫描项集所在的对象集合,提高算法的运行效率,从而更好地处理海量数据的规则发现,更适用于支持度较小、复杂度较高的数据集。仿真试验证明该算法有较低的求解复杂度及较高的求解效率。

均匀分布下不确定数据的关联规则变粒度查询

云计算为大数据的关联规则挖掘与查询提供了平台。为防止隐私泄漏,大数据中往往包含人为添加的不确定因素,如何使用户对不确定数据的关联规则挖掘结果查询透明化是大数据挖掘结果查询亟待解决的问题。在用于共享的大数据中,不确定数据通过对精确数据的泛化处理来实现,具有均匀分布特性,这一特性不利于精确查询,但可为关联规则挖掘结果集的变粒度查询提供便利。首先,通过UFIDM算法进行挖掘并构建关联规则库,为提高查询效率,对泛化标识符和敏感属性分别构建Hilbert packed R树索引。在此基础上,提出了泛化值粒度转换方法和U-ARS查询算法。最后,通过理论分析和实验比对,展示了算法的可行性和有效性。