The rise of granular computing

This paper has two purposes.One is to present a critical examination of the rise of granular computing and the other is to suggest a triarchic theory of granular computing.By examining the reasons,justifications,and motivations for the rise of granular computing,we may be able to fully appreciate its scope,goal and potential values.The results enable us to formulate a triarchic theory in the light of research results from many disciplines.The three components of the theory are labeled as the philosophy,the methodology,and the computation.The integration of the three offers a unified view of granular computing as a way of structured thinking,a method of structured problem solving,and a paradigm of structured information processing,focusing on hierarchical granular structures.The triarchic theory is an important effort in synthesizing the various theories and models of granular computing.

动态多尺度决策信息系统局部最优尺度的更新规律

在对象动态增加的情况下,对多尺度决策信息系统(MDIS)保持局部决策类不确定性的最优尺度更新规律进行研究。首先,介绍决策信息系统和多尺度决策信息系统决策类不确定性的基本知识,以及MDIS保持局部决策类不确定性的最优尺度定义。然后,在增加一个对象的条件下,分析MDIS局部决策类不确定性的更新规律。最后,采用增量学习方法,给出增加一个对象条件下MDIS局部最优尺度不变和变大的充分必要条件。结果表明:文中方法可以快速地确定更新系统局部最优尺度。

三角模糊不完备三支群决策及其在糖尿病诊断中的应用

为同时应对不确定信息表示与风险信息融合对群决策带来的挑战,构建一种三角模糊不完备三支群决策方法,并将其应用于糖尿病诊断决策。首先,针对信息不确定性蕴含的模糊性和不完备性,分别引入三角模糊集和不完备信息系统的概念。通过与多粒度三支决策结合,构建了可调多粒度三角模糊概率粗糙集模型。然后,根据离差最大化法计算属性权重与专家权重,结合ELECTRE(elimination et choice translating reality)方法建立了三角模糊多属性群决策方法。最后,通过对糖尿病患者数据的案例分析和评估,验证了所提方法的可行性和有效性。该方法不仅从不确定信息表示、风险信息融合和最优粒度选择的视角丰富了多粒度三支群决策理论,而且推动了糖尿病智能诊断方面的应用。

A Granular Computing Model Based on Tolerance relation

Granular computing is a new intelligent computing theory based on partition of problem concepts. It is an important problem in Rough Set theory to process incomplete information systems directly. In this paper, a granular computing model based on tolerance relation for processing incomplete information systems is developed. Furthermore, a criteria condition for attribution necessity is proposed in this model.

协调广义多尺度序模糊决策系统的最优尺度组合与属性约简

针对广义多尺度序模糊决策系统的知识获取问题,首先,在广义多尺度序模糊决策系统中定义优势关系,给出广义多尺度序模糊决策系统中信息粒的表示,同时定义在不同尺度组合下集合关于属性子集在优势关系下的下近似与上近似的概念.然后,在协调广义多尺度序模糊决策系统中定义5种最优尺度组合的概念,使用基于证据理论的信任函数与似然函数刻画最优尺度组合的数值特征,证明信任最优尺度组合与下近似最优尺度组合是等价的,似然最优尺度组合与上近似最优尺度组合也是等价的,并在信任最优尺度组合的基础上给出属性约简方法,同时给出最优尺度组合和属性约简的搜索算法.最后,在UCI数据集上的实验验证文中方法和算法的可行性与有效性.

多尺度集值决策信息系统的粒计算模型设计

为了对复杂信息进行更全面的刻画,对多值化集值信息系统对象属性值进行了处理。在集值决策信息系统中纳入多尺度信息系统的粒度转换结构模型。给出粒计算结构模型的数学刻画,构建多尺度集值决策信息系统的粒计算模型,进而提出最优尺度确定算法。采用该算法进行员工能力与素质考评算例分析。通过多尺度集值信息系统的构建制定考评决策,并划分不同尺度。系统表现出协调性特点。通过考评,可求得最优尺度组合。为了执行计算任务,采用数量较小的二级指标测试数据集进行评估,以确保对员工类型的评测具备准确性,并控制计算量在较低水平。多尺度集值决策信息系统的粒计算模型在理论与实际应用方面均展现出重要价值。

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.

不完备信息系统的粒计算方法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法.不完备信息系统的直接处理也是粗集研究的一个重要内容.本文结合粒计算的处理方法给出了不完备信息系统的粒表示、粒运算规则和粒分解算法,同时结合粗集中的属性约简问题,提出了不完备信息系统在粒表示下属性必要性的判定条件,并给出了严格的证明.

不完整大数据的分布式聚类填充算法

传统大数据填充算法是根据整个数据集对缺失数据进行填充,使得填充值容易受到不同类别数据的干扰,导致填充结果不精确。针对该问题,给出不完整数据的相似度度量方法,使用近邻传播(AP)算法对不完整数据进行聚类。采用云计算技术优化AP聚类算法,实现一种基于Map Reduce的分布式聚类算法,根据算法聚类结果将同一类数据对象划分到相同簇中,并利用同一类对象的属性值对缺失值进行填充。实验结果表明,该算法能实现不完整大数据的聚类,同时加快聚类速度,提高缺失数据的填充精度。

不完备多标记信息系统中粒度研究

粒计算是知识表示与数据挖掘的一种方法.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.首先介绍了多标记信息系统的概念,考虑到不完备信息系统的情况,重新定义了粒信息变换函数,并给出了不完备多标记信息系统的概念.在不完备多标记信息系统中,利用粒信息变换函数,可以获得知识粒度的一个层次结构.在每一个层次中,利用相似关系定义相似类,进而定义多粒度粗糙集的下近似、上近似、边界、近似精度和粗糙度等概念.在不同层次之间,分别讨论了下近似、上近似、边界、近似精度和粗糙度的变化性质,在不同的标记粒度下探索的知识粒度的变化规律.

多标记粒度不完备信息系统的粗糙近似

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,由于不同尺度对数据集分割而得到不同层次的信息粒度,这些不同的信息粒度可以用不同的标记块来区分.首先介绍了用一个满射来定义标记块的概念,接着在标记块的基础上给出了多标记粒度结构.针对多标记粒度结构,先给出了完备信息系统中粒度信息变换函数,接着在多标记不完备信息系统中重新定义了粒度信息变换函数.由粒度信息变换函数,可以在多标记不完备信息系统中得到信息粒度的一个层次结构.在每一个层次中,利用非对称相似关系定义相似类,进而定义集合的上近似、下近似、近似精度和粗糙度等概念.在不同层次之间,分别讨论了上近似、下近似、近似精度和粗糙度的性质,在不同的知识粒度下探索的知识近似的变化规律.

高效的不完备信息系统知识约简算法研究

文章基于粒度和粒度计算的方法,对不完备信息系统的属性重要度和相对于决策属性的重要度做了定义,在此基础上形成了基于粒度方法的不完备信息系统知识约简算法,通过实例证明了这种方法的有效性。文章分析了算法的时间复杂度,并同粗糙集算法进行了对比。

变精度下不完备邻域决策系统的属性约简算法

邻域粗糙集模型在处理完备的数值型数据中得到广泛应用,但针对不完备的数值型和符号型混合数据进行属性约简的讨论相对较少。为此,首先结合邻域粗糙集给出了可变精度模型下不完备邻域决策系统的上、下近似算子及属性约简;然后通过邻域粒化的方法构建了广义邻域下可变精度的粗糙集模型,并提出了一种属性重要度的评价方法;在此基础上,设计出了面向不完备邻域决策系统的属性约简算法,该算法可直接处理不完备的数值型和符号型混合数据;最后,通过实例分析验证了本文提出的算法能够求解出变精度下不完备邻域决策系统的属性约简结果。

基于粒计算的不完备信息系统的规则提取方法

根据粒计算思想提出了一种从不完备决策表中分层提取确定规则的方法,将决策表进行分解,然后按决策表提供的确定信息分层提取相应的确定规则,在处理过程中认为空值提供的信息是不可靠的,所以与确定值严格加以区分,该方法充分利用不完备信息系统中的确定信息,得到长度不等的确定规则。

不完备信息系统中基于相容粒度计算的知识获取方法

研究在不完备信息系统(incomplete information system,IIS)中的知识获取已经成为近期粒度计算研究的热点方向之一.为探索一种高效的知识获取方法,基于相容粒度计算的基本原理,针对不完备信息系统的特点,提出了一种完整的知识获取算法.该算法包括不完备信息系统的属性约简算法和系统中对象的约简算法.其主要特点是在由完全覆盖构成的粒度世界中去研究知识的表示和获取问题,其基本粒就是最大相容类.对算法的性能进行了理论和实验分析,证明了算法的有效性和可行性.

基于粒计算的增量式知识获取方法

该文在研究粒计算理论的基础上,提出了一种基于粒计算的增量式知识获取方法。该方法通过建立决策信息系统原始的知识粒树,对新增数据,在原始知识粒树中查找相匹配的知识粒,并依据决策值更新知识粒树,实现快速高效地处理动态信息系统。算法分析及实验对比结果表明,该方法在动态信息系统知识获取方面优于RGAGC和ID4方法。

基于信息粒度的不完备信息系统空值补齐算法

在现实世界中,不完备信息系统大量存在的,信息系统中空值的存在大大增加了信息表的不确定性,信息表无法产生更多潜在的有价值规则.处理不完备信息表的一种做法是先将空值补齐再提取规则,常用的空值补齐算法通常都是根据同属性其他值出现的频率高低估计空值,但是此方法不一定能保证规则的一致性.本文提出一种基于信息粒度的空值补齐方法GRCC,首先根据定义的信息粒度选择信息粒度最大的列,然后由相容类产生空值的属性值范围,最后利用MDL准则确定遗漏项的属性值,如此逐列进行填充直到完成全部信息表的补齐.经过实验,GRCC算法补齐的信息表比其它补齐方法产生的信息表产生更多高可信度和高支持度的规则,降低了信息表的不确定性.

不完备多粒度序信息系统的粗糙近似

粒计算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.针对具有多粒度标记的不完备序信息系统的知识获取问题,首先介绍了不完备多粒度序信息系统的概念,并在不完备多粒度序信息系统中定义了优势关系,同时给出了由优势关系导出的优势类,并进一步定义了基于优势关系的集合的序下近似与序上近似的概念,并讨论了它们性质.

基于模糊粗糙集的粒度计算

粒度计算是一种新的智能计算的理论和方法,目前受到很多学者的关注。但是,具体可行的粒表示模型和不同粒的推理方法研究相对较少。本文将模糊粗糙集纳入粒度计算这种新的理论框架,对于处理复杂信息系统,求解复杂问题无疑具有重要的意义。首先利用笛卡尔积,构建了模糊关系下的信息粒;然后给出不同粒度下模糊粗糙算子的表示方法,进而形成一个分层递阶结构;最后考虑了对于模糊信息系统粒度粗细的选择问题,并给出一个实例,从而为粒度计算提供一个具体而实用的框架。