一、容差近似空间的广义概念格模型研究(论文文献综述)
杨蕾[1](2020)在《差别信息树的属性约简与多源多粒度粗糙集方法研究》文中指出近年来,随着信息科技的进步和统计技术的发达,人类面临的数据量、信息量显着增加。合理的处理来自生物医学、经济金融、人工智能等领域的海量复杂数据并从中挖掘有价值的知识显得尤为重要。粗糙集理论中的属性约简技术能够在保持原有知识库的分类能力不变的基础上删除其中无价值的(冗余的)知识。区分矩阵是获得属性约简的一个重要媒介。然而,区分矩阵中存在很多重复的信息。这就导致了储存成本的增加。差别信息树(DIT)很好的解决了区分矩阵中存在重复信息的问题。值得注意的是有关DIT的研究都是建立在等价关系的基础上,没有考虑数据之间的偏好序关系,并且通过DIT只能获得信息系统的一个约简。本文将区间值序信息系统(Iv OIS)作为研究背景,首先研究了优势关系下DIT的构建,在此基础上提出了相应的属性约简方法。然后引入核属性与属性重要度对优势关系下的差别信息树进行改进,进而提出了基于改进差别信息树(IDIT)的属性约简方法。最后,为了解决多源模糊信息系统(Ms FIS)中的知识发现问题,本文通过结合多粒度的思想研究了Ms FIS的多粒度粗糙集模型及其不确定性。本文的主要创新分为以下三点。1.在IvOIS的背景下,结合区分矩阵和DIT的相关理论知识,提出了基于可区分矩阵的DIT的构建方法,从而实现了优势关系下DIT的构建。进一步地研究了优势关系下DIT的相关定理。最后以此为基础提出了一种新的完备属性约简方法,丰富了属性约简的研究成果。2.考虑到核属性与属性重要度在求取属性约简的过程中起着至关重要的作用,本文在Iv OIS中研究了基于核属性、属性重要度的IDIT的构建方法,进一步提出了基于IDIT的知识约简方法。与此同时,本文研究发现通过构建不同属性顺序下的IDIT可以找到Iv OIS的所有约简。3.在MsFIS的背景下,结合粒度计算的相关知识,将每个信源看作是一个粒度。首先定义了Ms FIS的支持特征函数。然后通过所定义的支持特征函数提出了适用于Ms FIS的三种多粒度粗糙集模型,同时研究了所提模型的相关性质。其次,为了研究Ms FIS的不确定性,本文提出了五种计算Ms FIS不确定性的度量并设计了一个相应的算法。最后,本文使用四个数据集对算法进行了验证。实验结果表明,Ms FIS的广义多粒度粗糙集模型在实际应用中具有更广泛的适用性。
梁美社[2](2019)在《多源直觉模糊信息系统的知识获取方法》文中指出人工智能是当前信息科学理论和应用研究中的一个热点领域.随着计算机科学与技术的快速发展,特别是计算机网络的飞速发展,人类生产生活的各个领域都产生了大量数据信息.这些数据信息的类型日渐复杂,且规模还在不断增长,形成了类型复杂且格式异构的高维海量数据信息.这其中结构化的数据仍然是信息系统中数据信息的主要表达方式之一,通常用二维数据表的结构来表示.为了深入研究信息系统的不确定性,许多学者从不同研究角度出发,提出了包括模糊集理论、直觉模糊集理论、粗糙集理论、形式概念分析理论、证据理论等一系列数据分析理论.这些理论在知识发现与数据处理过程中都发挥了重要的作用.将这些理论进行有机结合,对于深入挖掘数据背后的隐含信息,以及更精确表示数据系统中的知识具有重要的意义.作为模糊集理论的一种重要推广,直觉模糊集综合考虑了元素的隶属度、非隶属度和犹豫度三个方面的信息.因此,其在表达和处理模糊性、不确定性等问题的时候更具灵活性和实用性.近年来将直觉模糊集理论与粗糙集理论、证据理论等结合研究受到了广泛关注.本文在已有的理论和模型基础上,以直觉模糊信息系统为研究对象,以粗糙集理论、直觉模糊集理论、多伴随理论、证据理论、概念格理论等为工具,研究了直觉模糊信息系统中的属性约简、规则提取、信息融合、多属性决策等方面的问题.文章主要内容包括:直觉模糊集的相似性度量以及在此基础上的多粒度直觉模糊决策粗糙集、广义优势多粒度直觉模糊粗糙集中的属性约简与规则提取、多伴随理论下的直觉模糊粗糙集以及多伴随理论下直觉模糊群决策方法的构造、广义直觉模糊单边概念格等问题.主要工作如下:(1)在直觉模糊集理论中,相似性度量是一种非常重要的不确定性度量.许多学者根据直觉模糊相似度度量的公理化定义.给出了不同的计算直觉模糊相似度的方法.这些方法在实际计算中往往存在一些不合理的地方.我们通过综合考虑直觉模糊集的犹豫度、隶属度和非隶属度端点所包含的信息,定义了一种新的直觉模糊相似度.通过算例验证了该相似度的合理性.随后,该相似度被用于构造直觉模糊决策粗糙集模型以及多粒度直觉模糊决策粗糙集模型.我们详细讨论了直觉模糊决策粗糙集模型以及多粒度直觉模糊粗糙集模型相关性质.通过定义粒度重要性,我们给出了一种新的求解最优粒度的方法,最后我们设计了启发式算法,并通过实例验证了该方法的有效性.(2)决策粗糙集模型是Yao等人于1990年提出的.由于在经典粗糙集理论的基础上引入了贝叶斯风险分析,这使得决策粗糙集理论具有强大的理论基础和合理的语义解释.随后,决策粗糙集模型被进一步推广到了多粒度决策粗糙集模型.考虑直觉模糊集和多粒度决策粗糙集在信息表达和信息处理方面各自具有很强的优势,如何在直觉模糊信息系统中构造多粒度直觉模糊决策粗糙集是我们研究的内容之一.根据新定义的直觉模糊相似度,我们构造了直觉模糊信息系统中的相似关系以及相似类.利用相似类定义了直觉模糊决策粗糙集模型和多粒度直觉模糊决策粗糙集模型.通过选取阈值,在多粒度直觉模糊决策粗糙集模型中引入乐观和悲观α-下近似和β-上近似分布约简的概念,分析了多个粒空间中的最优粒度选择问题.基于多粒度乐观和悲观α-下近似和β-上近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了乐观和悲观融合策略α-下近似和β-上近似分布约简的粒度约简算法.(3)优势关系粗糙集模型是研究序关系信息系统中数据挖掘的主要方法.传统的直觉模糊优势关系仅仅通过隶属度与非隶属度的绝对差(得分函数)以及隶属度与非隶属度的和(精确函数)来判断两个直觉模糊数的大小,进而得到直觉模糊信息系统中的优势关系.这种方法忽略了直觉模糊集所表达的天然语义.因此,定义新的直觉模糊优势关系是我们研究的内容之一.首先,通过引入t-模和t-余模,定义了强、弱、平均三种优势关系,得到了与之对应的三种优势类.提出了广义优势关系多粒度直觉模糊粗糙集模型.其次,给出了该模型的主要性质.在此基础上.定义了广义优势悲观多粒度直觉模糊粗糙集中的信任结构.在保证信任分布函数(平均信任质量函数)与似然分布函数(平均似然质量函数)不变的条件下,给出了求解相应的直觉模糊决策信息系统约简的方法.最后.考虑被近似的决策属性集合是直觉模糊集合,根据多粒度的思想,构造了在直觉模糊决策信息系统中,逻辑连接词为“或”的决策规则.(4)多伴随对是t-模和其剩余蕴含算子的一种推广.它不但保留了t-模及其剩余蕴含算子的主要性质,更重要的是这样构成的算子能够更加灵活的应用于所要研究的对象.多伴随与粗糙集理论结合产生了多伴随模糊粗糙集模型,该模型通过不同伴随对的使用.可以表达用户对不同对象的偏好,极大增强了模糊粗糙集理论应用范围.将多伴随算子与直觉模糊集理论结合自然是我们研究的内容之一.首先,构造了直觉模糊信息系统中直觉模糊近似等价关系.在此基础上,利用一组t-模和其剩余蕴含算子定义了多伴随直觉模糊上下近似算子.最后,通过定义直觉模糊决策信息系统的正域依赖度,给出一种近似约简方法.(5)决策作为人类的一项重要的思维和认知活动,广泛存在于人类社会生活的各个领域.随着经济、社会的快速发展,在面对大型、复杂的决策问题时,一个人的智慧往往是有限的,如何有效利用群体力量进行决策就显得尤为重要.由于直觉模糊集对事物刻画更加细腻,且隶属度、非隶属度及犹豫度本身就隐含决策行为中的接受、拒绝及不能确定(犹豫)的情况.Dempster-Shafcr证据理论作为贝叶斯理论的一般推广,由于不需要先验概率和条件概率密度,在处理不确定、不完备甚至是含糊不清的信息时具有很强的优势.因此,将多伴随直觉模糊粗糙集与证据理论相结合,我们给出了基于多伴随与证据理论的直觉模糊群决策模型.多伴随理论与证据理论的应用增强了模型处理直觉模糊决策问题的能力.另一方面,不同伴随对的使用表达了决策者的不同偏好,极大地增强了模型处理模糊问题的灵活性.(6)形式概念分析是数据挖掘和知识获取的一种有效的数学工具.无论是经典的形式背景还是模糊的形式背景,信息获取往往是单一方面的.然而,在认知过程中,人们往往表现出积极、犹豫或消极等多方面性.直觉模糊集作为模糊集的一种自然、直观的泛化,具有较强的表达现实世界信息模糊性的能力.首先通过利用t-模和t-余模定义了直觉模糊优势关系,在此基础上定义了两种Galois连接.随后,构造了两种广义单边直觉模糊概念格,分析广义单边概念格的主要性质,构造了概念格属性约简的辨识矩阵方法.
郭艳婷[3](2017)在《多粒度双量化决策粗糙集及其属性约简研究》文中研究说明随着科学技术的迅猛发展,在科学领域、经济领域及社会生活的方方面面都出现海量数据,这些数据具有信息量巨大、类型繁多、价值密度低、处理速度快等特点。如何快速、高效地从许多信源搜集到的庞大数据中获得有价值信息不仅是信息技术研究的热点,也是目前人工智能领域所面临的巨大机遇与挑战。在越来越复杂的数据环境中,需提出更多的具有针对性的数据处理模式,以便从数据中发现隐含知识,揭示潜在规律。Pawlak粗糙集理论是基于不可区分关系建立分类机制,通过上下近似算子刻画不确定性信息。自1982年提出已经被广泛证实是高效的表达和处理各种不完备信息的数学工具。随着研究的深入,大量的推广模型被提出。本文基于变精度粗糙集和程度粗糙集,先研究广义多粒度双量化决策粗糙集理论,其次研究序信息系统、直觉模糊信息系统的“逻辑或”双量化粗糙集理论,最后为消除冗余信息对计算过程和最终结果造成的影响,研究多源信息的属性约简。主要创新点如下:1.基于少数服从多数决策原则和双量化决策的容错能力,研究广义多粒度双量化决策粗糙集理论。通过定义上、下支持特征函数给出两型广义多粒度双量化决策粗糙集的上下近似算子,并研究两型决策模型的重要性质和决策规则、一定约束条件下两型决策模型的关系以及两型粗糙集模型与其他粗糙集模型的关系。最后通过案例充分展示两型粗糙集模型的分类优势.广义多粒度双量化决策理论为决策理论、多源信息融合和广义多粒度粗糙集的推广提供了理论基础。2.通过变精度与程度“逻辑或”双量化指标研究序信息系统的粗糙集理论。先在序信息系统中研究一个模糊概念的“逻辑或”双量化近似刻画,提出变精度与程度“逻辑或”粗糙模糊集;后通过对象关于属性的加权得分函数在直觉模糊系统中定义优势关系,提出直觉模糊序信息系统下的变精度与程度“逻辑或”粗糙集。同时,研究了两个所提模型的基本结构与重要性质。最后通过案例验证了模型的合理性、有效性以及可行性。3.在多源决策系统中,基于原始有效信息的完全保留定义多源决策系统的一致属性约简,同时为增强实际生产环境的适用性,基于原始有效信息部分保留提出条件熵融合的属性约简;在多源模糊决策系统中基于模糊粗糙集理论通过最大最小、汉明和欧几里得贴近度定义的模糊相似度研究属性约简。最后,通过案例深入阐述多源决策和多源模糊决策系统的属性约简理论,为粗糙集模型的属性约简提供了理论基础。
康向平[4](2012)在《基于形式概念分析理论的知识获取模型研究》文中认为形式概念分析作为一种数学理论于1982年由德国学者Wille首先提出,概念格结构模型是其核心数据结构。概念格本质上描述对象与属性之间的联系,表明概念之间的泛化、特化关系,其相应的Hasse图实现了数据的可视化。目前形式概念分析已被广泛研究并应用到机器学习、软件工程和信息检索等领域。本文紧密跟踪国际学术前沿,主要对基于形式概念分析理论的知识获取模型进行研究,所获研究成果不仅从理论上丰富和发展了形式概念分析,而且由于其广泛的应用背景,这些结果同样具有重要的应用价值。本文的主要创新点和研究内容包括:(1)将形式概念分析理论引入到粗糙集中,提出基于形式概念分析的粗糙集模型。该模型首先解决信息系统上的代数结构问题,即在信息系统上诱导出一个格结构,格中的结点称为粗糙概念;然后探讨基于粗糙概念的信息系统中的一些常见问题的求解,如核和约简;最后给出粗糙概念在决策表中的应用。另外,决策依赖以其描述性强、便于理解等优点已之成为决策表中一种常用的知识表示形式,从而得到了广泛的应用,因此,我们在决策表中应用推理规则得到一个完备且无冗余的决策依赖集。该模型为粗糙集提供一种新的合理化的解释,有利于人们从形式概念分析的角度加深对粗糙集的理解。(2)将概念格和集成学习技术引入到多示例学习中,提出基于概念格的多示例集成学习模型。该模型以训练集中的包而非包中的示例作为研究对象构建概念格,一定程度上能有效降低概念格构造的时间、空间复杂度。针对唯一特征集合往往只能对训练集中的部分而非全部正确分类的局限性,该模型引入多个局部目标特征集合而非唯一目标特征集合去近似正确地分类整个训练集。由于概念格的本质是聚类(一个概念即为一类),因此它可以把训练集聚为多个类,将一个多示例学习问题分解为多个局部多示例学习问题;然后在每个局部多示例学习问题中求解局部目标特征集。通过引入集成学习技术,集成所有局部目标特征集去预测训练集之外的包的标记,同时可以将所有被标记为正的包进一步细分为多个类。该模型是形式概念分析应用于机器学习领域的一个初步探索,同时也为求解多示例学习问题提供一种新的思路。(3)将概念格和粒度计算引入到本体研究中,提出基于概念格的不同粒度下的领域本体模型。该模型为本体的构建、合并和连接提供统一的基于领域本体基的求解方法。该模型为有效缓解复杂领域中海量概念带来的影响,通过引入粒度计算有助于隐藏一些低层概念,即在更高层次更小范围内去发现重要概念;另外,该模型还讨论不同粒度下的领域概念之间的相似性度量,以及多粒度下相关领域本体之间的相似性度量,为专家准确判定概念之间、本体之间的关联程度提供参考。该模型在实际应用中还存在一些问题,如领域本体的构建、合并和连接过程仍离不开领域专家的干预,但其为概念格与本体的进一步结合提供新的思路。如何通过知识挖掘手段并结合人工智能的方法自动获取本体,是我们今后的研究重点之一。(4)将粒度计算引入到形式概念分析理论,提出形式概念分析在不同粒度下的知识获取模型。该模型为概念格构建和规则获取提供统一的基于模糊粒化基的求解方法,粒度计算的引入有效缓减复杂格结构和海量规则所带来的影响。该模型重点讨论不同粒度下的概念格构造和多粒度下的决策规则提取,鉴于决策规则集中存在着大量的冗余规则,通过引入推理规则可以去掉所有冗余的决策规则,并最终得到多粒度下的完备且无冗余的规则集。该模型为构造结构较简单的概念格、降低海量概念和海量规则提供有益的方法。综上所述,本文提出四个基于形式概念分析理论的知识获取模型,即基于形式概念分析的粗糙集模型、基于概念格的多示例集成学习模型、基于概念格的不同粒度下的领域本体模型及形式概念分析在不同粒度下知识获取模型,这些模型不仅在理论上拓展形式概念分析方法,而且对形式概念分析的应用起到积极的推动作用。
薛志远,张清华[5](2010)在《复合粒计算模型研究进展》文中研究表明粒计算(granular computing,GrC)是人工智能领域中的一种模拟人类思考和解决复杂问题的新理念和新方法,粗糙集理论、商空间理论和模糊集理论是3种主要的粒计算模型。首先回顾几种基本的粒计算模型,介绍了几个复合粒计算模型,最后探讨了粒计算模型的进一步发展方向。
杨霁琳[6](2010)在《不完备信息系统知识约简方法及应用研究》文中研究表明波兰数学家Pawlak于1982年提出了粗糙集的概念。粗糙集理论作为一种描述不精确、不确定知识的数学工具为不确定性数据分析和处理提供了一种新方法;概念格理论是由德国数学家Wille在1982年创立的。它是一种有效的知识表示工具。粗糙集理论与概念格理论相辅相成,具有紧密的联系。属性约简是信息系统知识发现中的关键问题,也是粗糙集理论的核心内容之一。针对完备信息系统,研究者提出了多种属性约简理论与方法。对于不完备信息系统,相关研究还不完善。本文基于粗糙集理论及概念格理论讨论不完备信息系统的属性约简理论、方法及约简算法,并将其应用于无线电信号识别领域。本文的主要研究成果如下:1.研究了基于自反和传递关系的广义粗糙集模型中近似算子的性质,提出了关于拓扑结构的紧致性条件(COMP),证明了所有自反、传递关系构成的集合与满足紧致性条件(COMP)的所有拓扑构成的集合之间存在——对应的关系;在完全分配格上,基于覆盖提出了邻域的概念,基于邻域提出了新的上近似算子及下近似算子,并讨论了它们的基本性质。2.根据不完备信息系统中数据缺省的实际情况,提出了基于属性贡献度的不可区分关系,并讨论了它与其它不可区分关系之间的联系;在Stefanowski提出的相似关系的基础上,给出了基于属性重要度的属性约简方法,并分别针对不完备信息系统和不完备决策表给出了属性约简算法。3.针对不完备决策表,本文基于广义相似关系,给出了分配协调集与正域协调集的等价刻画条件及约简判定定理,借助区分矩阵与区分函数给出了分配约简与正域约简的计算方法。4.提出了概念格中属性的一种相似关系,讨论了概念格中形式概念的属性约简特征和约简方法,基于属性相似关系及属性集的拓扑结构提出了一种形式概念生成的方法。通过MATLAB实验,验证了该方法的有效性。5.以C波段无线电信号智能监测为应用背景,利用本文讨论的粗糙集理论和形式概念分析方法,建立了无线电信号的信息系统和形式背景,对信号进行了特征提取和规则挖掘,说明了这两种知识发现方法的合理性和有效性。
胡军[7](2010)在《基于覆盖的粒计算模型及其应用研究》文中研究指明粒计算作为一种新的计算理论,涵盖了所有与粒度有关的理论、方法和技术。它通过对现实问题进行多视角、多层次的理解和描述,从而得到问题的粒结构表示,是研究复杂问题求解、海量数据挖掘和模糊信息处理等的有效工具。粗糙集理论是处理不确定、不精确、不完备等问题的有效数学理论方法,也是粒计算的主要计算范式之一。经典粗糙集理论基于论域上的等价关系,并将等价关系看成是现实世界的知识在某个粒度上的描述。然而,在很多实际问题中,等价关系的要求过于严格,从而限制了粗糙集理论的应用。对此,研究者从多个角度对经典粗糙集理论做了许多有意义的推广。其中,基于覆盖的粗糙集模型扩展将知识抽象成论域上的覆盖,具有不依赖于问题的具体描述的特性。本文的研究以粗糙集理论为计算方法,以覆盖作为知识的表示形式,试图建立一套基于覆盖的粒计算理论模型,具体研究了覆盖近似空间中概念描述的不确定性,覆盖近似空间的知识粒度比较与度量,覆盖近似空间中模糊概念的描述、覆盖近似空间的知识约简、覆盖近似空间的扩展及其应用等关键问题,并取得了如下研究成果:(1)提出了一种新的覆盖粗糙集的模糊度,该模糊度克服了现有不确定性度量方法存在的不合理性。针对Bonikowski覆盖粗糙集,通过分析现有的不确定性度量方法,发现它们都存在一定的不合理性。基于模糊性和粗糙性在描述不确定性上的一致性假设,通过粗糙隶属函数将粗糙集映射到模糊集,借用现有的模糊集的不确定性度量方法,提出了一种称为修正模糊度的粗糙集的不确定性度量方法。该修正模糊度克服了已有不确定性度量方法的不合理性,分析表明该修正模糊度对不确定性的刻画更符合人们的认知规律。(2)提出了一种新的覆盖近似空间上的较细关系和一种覆盖近似空间的知识熵,分别从定性和定量的角度研究了覆盖近似空间上的知识粒度关系。通过分析发现现有的覆盖近似空间上的偏序关系都存在不合理性,重新定义了一种覆盖近似空间上的偏序关系,证明覆盖近似空间的近似能力和覆盖近似空间的知识粒度之间具有相互依赖关系。定义了覆盖近似空间的知识熵,给出了覆盖近似空间知识量的度量方法,从定量的角度对覆盖近似空间中元素的可约性进行了解释。这些研究成果分别从定性和定量的角度为构建覆盖近似空间的层次模型提供了方法。
王国胤,姚一豫,于洪[8](2009)在《粗糙集理论与应用研究综述》文中指出在阐释粗糙集理论基本体系结构的基础上,从多个角度探讨粗糙集模型的研究思路,分析粗糙集理论与模糊集、证据理论、粒计算、形式概念分析、知识空间等其它理论之间的联系,介绍国内外关于粗糙集理论研究的主要方向和发展状况,讨论当前粗糙集理论研究的热点研究领域以及将来需要重点研究的主要问题.
薛峰[9](2009)在《基于概念格理论的粗集属性约简算法研究》文中指出归纳学习是机器学习最核心的一个分支,其主要目的是从大量的数据中归纳抽象出一般的规则和模式。由于冗余属性会影响规则提取的时空性能和发现知识的质量,因此,在保持相同分类能力不变的前提下,约简成为归纳学习的核心技术之一。粗糙集理论具有抗干扰性的优点,所以现有的主要的约简算法也均是基于粗糙集理论的,但时空性能、完备性都不尽人意。由于概念格的外延与粗糙集的等价类具有等价对应关系,本文从概念格的角度,研究基于概念格理论的粗集属性约简,主要工作如下:(1)在研究粗糙集与概念格理论的基础上,本文提出了粗糙集等价类与概念格外延之间的等价定理、冗余属性判定定理、基于格的蕴涵关系判定定理、潜约简及其判定定理、决策表的一致性判定定理,并对以上定理均从理论上予以证明。(2)基于以上有关粗糙集与概念格之间的关系定理以及与约简有关的判定定理,本文提出了一种基于概念格理论的粗集属性约简算法ARCL;对ARCL算法性能进行了详细的分析和比较,实验表明ARCL算法比传统的算法具有很大的优越性。(3)在上述研究的基础上,实现了基于概念格理论的粗集属性约简的原型系统。该原型系统实现了数据导入、概念格构造、基于ARCL算法的约简三个部分。
邱卫根,张国导[10](2008)在《基于复合粗算子的形式概念格》文中研究说明形式概念格和粗集理论作为人工智能领域的2种有效而重要的数学方法,为知识处理和数据分析提供了一系列代数工具。该文研究形式概念格的复合粗集表示方法,证明了概念的内涵和外延都是某复合粗近似算子的不动点。结果揭示了形式概念格与粗糙近似空间之间内在的密切联系,对完善概念格分析的数学模型具有一定的作用。
二、容差近似空间的广义概念格模型研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、容差近似空间的广义概念格模型研究(论文提纲范文)
(1)差别信息树的属性约简与多源多粒度粗糙集方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论及预备知识 |
1.1 绪论 |
1.2 经典粗糙集理论 |
1.3 区间值序信息系统及其约简 |
1.4 多源模糊信息系统 |
1.5 差别信息树 |
1.6 多粒度粗糙集理论 |
1.7 主要工作安排 |
2 IvOIS中基于差别信息树的属性约简 |
2.1 IvOIS中基于可区分矩阵的差别信息树的构建 |
2.2 IvOIS中基于差别信息树的属性约简 |
2.3 实例分析 |
2.4 小结 |
3 IvOIS中基于改进差别信息树的属性约简 |
3.1 IvOIS中基于核属性和属性重要度的改进差别信息树的构建 |
3.2 IvOIS中基于改进差别信息树的属性约简 |
3.3 小结 |
4 MsFIS的多粒度粗糙集模型及其不确定性度量 |
4.1 MsFIS的支持特征函数 |
4.2 MsFIS的广义多粒度粗糙集模型 |
4.3 MsFIS的乐观多粒度粗糙集模型 |
4.4 MsFIS的悲观多粒度粗糙集模型 |
4.5 MsFIS的不确定性度量 |
4.6 案例分析与实验评估 |
4.7 小结 |
5 结论与展望 |
5.1 工作总结 |
5.2 研究展望 |
致谢 |
参考文献 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
(2)多源直觉模糊信息系统的知识获取方法(论文提纲范文)
中文摘要 |
英文摘要 |
第一章 绪论 |
1.1 粗糙集理论研究现状 |
1.2 直觉模糊集研究现状 |
1.3 证据理论及其应用研究现状 |
1.4 概念格理论及应用研究现状 |
1.5 本文组织结构 |
第二章 基于相似关系的多粒度直觉模糊决策粗糙集 |
2.1 预备知识 |
2.1.1 直觉模糊集与直觉模糊信息系统 |
2.1.2 决策粗糙集和多粒度决策粗糙集 |
2.1.3 直觉模糊相似度 |
2.2 一种新的直觉模糊集的相似度 |
2.3 基于相似关系的直觉模糊决策粗糙集 |
2.4 基于相似关系的多粒度直觉模糊决策粗糙集 |
2.5 基于相似关系的多粒度直觉模决策糊粗糙集的最优粒度选择 |
2.6 小结 |
第三章 广义优势直觉模糊决策信息系统的属性约简与规则获取 |
3.1 预备知识 |
3.1.1 三角模算子 |
3.1.2 证据理论 |
3.2 广义优势多粒度直觉模糊粗糙集 |
3.2.1 直觉模糊信息系统中的优势关系 |
3.2.2 广义优势多粒度直觉模糊粗糙集 |
3.3 广义优势多粒度直觉模糊决策信息系统的属性约简 |
3.3.1 广义优势多粒度直觉模糊粗糙集与证据理论 |
3.3.2 广义优势多粒度直觉模糊决策信息系统的属性约简 |
3.4 广义优势直觉模糊决策信息系统中的规则提取 |
3.4.1 广义优势多粒度粗糙直觉模糊集 |
3.4.2 决策规则的提取 |
3.5 小结 |
第四章 多伴随直觉模糊粗糙集及其在多属性群决策中的应用 |
4.1 预备知识 |
4.1.1 模糊决策信息系统与多伴随对 |
4.1.2 多伴随模糊粗糙集及其正域 |
4.2 多伴随直觉模糊粗糙集 |
4.2.1 多伴随直觉模糊近似算子的构造 |
4.2.2 多伴随直觉模糊粗糙集的主要性质 |
4.2.3 多伴随直觉模糊粗糙集的属性约简 |
4.3 基于多伴随的直觉模糊群决策方法 |
4.3.1 基于直觉模糊概率的信任函数和似然函数 |
4.3.2 多伴随直觉模糊群决策方法 |
4.3.3 与其他群决策方法的比较 |
4.4 小结 |
第五章 广义单边直觉模糊概念格 |
5.1 预备知识 |
5.1.1 形式概念分析和Galois连接 |
5.1.2 广义单边形式概念 |
5.2 广义单边直觉模糊概念格 |
5.3 广义单边直觉模糊概念格的属性约简 |
5.4 小结 |
第六章 总结与展望 |
6.1 本文主要创新点 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间取得的科研成果清单 |
(3)多粒度双量化决策粗糙集及其属性约简研究(论文提纲范文)
摘要 |
Abstract |
1 绪论及预备知识 |
1.1 绪论 |
1.2 Pawlak粗糙集理论 |
1.3 变精度粗糙集与程度粗糙集 |
1.4 双量化决策粗糙集与广义多粒度粗糙集 |
1.5 信息系统和属性约简 |
1.6 主要工作及内容安排 |
2 广义多粒度双量化决策粗糙集模型 |
2.1 Ⅰ型广义多粒度双量化决策粗糙集 |
2.2 Ⅱ型广义多粒度双量化决策粗糙集 |
2.3 不同粗糙集模型的比较 |
2.4 案例分析 |
2.4.1 广义多粒度双量化决策粗糙集理论的描述 |
2.4.2 广义多粒度双量化决策与广义多粒度粗糙集的关系 |
2.4.3 广义多粒度双量化决策模型的优势 |
2.5 小结 |
3 基于变精度与程度的“逻辑或”双量化粗糙集 |
3.1 序信息系统下变精度与程度“逻辑或”双量化粗糙模糊集 |
3.1.1 “逻辑或”双量化粗糙模糊集模型 |
3.1.2 “逻辑或”双量化粗糙模糊集的相关性质 |
3.1.3 案例分析 |
3.2 直觉模糊序信息系统的“逻辑或”双量化粗糙集 |
3.2.1 直觉模糊“逻辑或”双量化粗糙模糊集模型 |
3.2.2 直觉模糊“逻辑或”双量化粗糙模糊集的相关性质 |
3.2.3 直觉模糊“逻辑或”双量化粗糙模糊集的算法设计 |
3.2.4 案例分析 |
3.3 小结 |
4 多源决策系统的属性约简 |
4.1 多源决策系统 |
4.2 多源决策系统的属性约简 |
4.2.1 多源决策系统的一致属性约简 |
4.2.2 多源决策系统的属性约简 |
4.2.3 基于条件熵融合的属性约简的可行性 |
4.3 多源模糊决策系统的属性约简 |
4.3.1 模糊相似关系 |
4.3.2 多源模糊决策系统的属性约简 |
4.3.3 案例分析 |
4.4 小结 |
5 结论与展望 |
致谢 |
参考文献 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
(4)基于形式概念分析理论的知识获取模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 形式概念分析的理论基础 |
1.2.1 基本概念 |
1.2.2 多值背景、概念定标与逻辑定标 |
1.2.3 概念格的构造 |
1.3 形式概念分析应用现状 |
1.4 形式概念分析扩展模型研究现状 |
1.5 论文的研究内容与组织结构 |
第二章 基于形式概念分析的粗糙集模型 |
2.1 粗糙集的基本概念 |
2.2 信息系统中的粗糙概念格 |
2.3 基于粗糙概念的知识获取 |
2.4 决策表中的粗糙概念 |
2.4.1 粗糙概念与决策规则 |
2.4.2 粗糙概念与决策依赖 |
2.5 基于粗糙内涵的属性核和约简的求解方法 |
第三章 基于概念格的多示例集成学习模型 |
3.1 应用背景 |
3.2 多示例形式背景及其上的概念格 |
3.3 局部多示例学习问题求解 |
3.4 多个局部目标特征集的集成 |
第四章 基于概念格的不同粒度下的领域本体模型 |
4.1 不同粒度下的领域本体基 |
4.2 不同粒度下的领域本体构建和合并 |
4.3 不同粒度下的领域本体连接 |
第五章 形式概念分析在不同粒度下的知识获取模型 |
5.1 不同粒度下的模糊粒化基 |
5.2 不同粒度下的概念格和关联规则 |
5.3 多粒度下的决策规则 |
总结与展望 |
参考文献 |
攻读博士期间的主要成果 |
致谢 |
个人简况及联系方式 |
(5)复合粒计算模型研究进展(论文提纲范文)
0 引 言 |
1 粒计算模型 |
1.1 词计算 (computing with words) 模型 |
1.2 粗糙集 (rough set) 理论模型 |
1.3 商空间 (quotient space) 理论模型 |
2 几种典型的复合粒计算模型 |
2.1 粗糙模糊集 (rough fuzzy set) 模型 |
2.2 模糊粗糙集 (fuzzy rough set) 模型 |
2.3 模糊商空间 (fuzzy quotient space) 模型 |
2.4 模糊概念格 (fuzzy concept) 模型 |
2.5 随机粗糙集 (random rough set) 模型 |
3 粒计算模型的展望 |
4 结束语 |
(6)不完备信息系统知识约简方法及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文研究背景及意义 |
1.2 粗糙集理论的概述 |
1.2.1 粗糙集理论的产生和发展 |
1.2.2 粗糙集理论的应用现状 |
1.3 粗糙集理论的基本概念 |
1.3.1 信息系统 |
1.3.2 不可区分关系 |
1.3.3 近似算子 |
1.3.4 属性约简 |
1.3.5 规则提取 |
1.4 概念格的基本理论 |
1.4.1 概念格的产生和发展 |
1.4.2 概念格的基本概念 |
1.5 本文的研究目标和主要内容 |
1.5.1 本文的研究目标 |
1.5.2 本文的主要研究内容 |
1.5.3 本文的结构 |
第2章 基于不完备信息系统的粗糙集模型 |
2.1 不完备信息系统中粗糙集理论的扩充模型 |
2.1.1 不完备信息系统 |
2.1.2 不可区分关系 |
2.2 基于属性贡献度的不可区分关系的粗糙集模型 |
2.2.1 不完备信息系统中属性的分类 |
2.2.2 基于属性贡献度的不可区分关系 |
2.2.3 与已有不可区分关系的联系 |
2.3 不完备信息系统的广义粗糙集模型 |
2.3.1 基于自反和传递关系的广义粗糙集模型 |
2.3.2 广义粗糙集模型与拓扑的关系 |
2.4 CCD格上的近似算子 |
2.4.1 CCD格上粗糙近似的基本概念 |
2.4.2 CCD格的下近似算子 |
2.4.3 CCD格的上近似算子 |
2.5 小结 |
第3章 基于粗糙集理论的属性约简 |
3.1 引言 |
3.2 基于广义相似关系的属性约简 |
3.2.1 不完备信息系统属性约简方法研究 |
3.2.2 不完备决策表属性约简方法研究 |
3.3 基于属性重要度的属性约简 |
3.3.1 基于相似关系的属性重要度 |
3.3.2 不完备信息系统基于属性重要度的约简方法 |
3.3.3 不完备决策表基于属性重要度的约简方法 |
3.4 小结 |
第4章 基于概念格理论的属性约简 |
4.1 引言 |
4.2 形式概念分析的理论基础 |
4.2.1 概念格的构造 |
4.2.2 概念格的属性约简 |
4.3 概念格中属性的相似关系 |
4.3.1 属性的相似类 |
4.3.2 基于相似关系的属性分类及性质 |
4.4 基于属性相似关系的约简 |
4.5 基于属性相似关系的概念的生成 |
4.5.1 属性集A的拓扑空间 |
4.5.2 基于拓扑基的概念格生成方法 |
4.5.3 算法实现 |
4.6 小结 |
第5章 信息系统知识约简方法在无线电信号识别中的应用 |
5.1 引言 |
5.2 无线电信号基础知识 |
5.2.1 信号基础知识 |
5.2.2 无线电信号监测 |
5.2.3 C波段的无线电信号 |
5.3 信号预处理 |
5.3.1 信号采集 |
5.3.2 信号特征收集 |
5.4 基于粗糙集理论的信号特征提取 |
5.4.1 信息系统的建立 |
5.4.2 属性约简及规则提取 |
5.5 基于概念格的信号特征提取 |
5.5.1 形式背景的建立 |
5.5.2 属性约简和概念的生成 |
5.5.3 基于概念的信号特征分析 |
5.5.4 信号规则分析 |
5.6 小结 |
结论与展望 |
致谢 |
参考文献 |
攻读博士学位期间发表论文及科研情况 |
(7)基于覆盖的粒计算模型及其应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 粒计算研究概述 |
1.3 粒计算的主要理论模型 |
1.3.1 词计算理论 |
1.3.2 商空间理论 |
1.3.3 粗糙集理论 |
1.4 基于覆盖的粒计算模型研究现状及存在的问题 |
1.5 本文的主要研究内容及创新研究成果 |
1.6 本文的组织结构 |
第二章 粗糙集理论基础 |
2.1 引言 |
2.2 PAWLAK粗糙集模型 |
2.3 基于覆盖的粗糙集模型扩展 |
2.3.1 覆盖近似空间概念基础 |
2.3.2 Zakowski覆盖粗糙集模型 |
2.3.3 Bonikowski覆盖粗糙集模型 |
2.3.4 Tsang覆盖粗糙集模型 |
2.3.5 Zhu覆盖粗糙集模型 |
2.4 本章小结 |
第三章 覆盖粗糙集的不确定性度量 |
3.1 引言 |
3.2 不确定性度量基础 |
3.2.1 模糊集的不确定性度量 |
3.2.2 粗糙集的不确定性度量 |
3.3 BONIKOWSKI覆盖粗糙集的不确定性度量 |
3.3.1 粗糙度 |
3.3.2 粗糙嫡 |
3.3.3 模糊度 |
3.3.4 不确定性度量方法的修正 |
3.4 本章小结 |
第四章覆盖近似空间的层次模型 |
4.1 引言 |
4.2 知识粒度基本概念 |
4.3 现有覆盖上的知识粒度关系定义及其局限性 |
4.4 基于最小描述的覆盖上的知识粒度关系 |
4.5 覆盖上的知识粒度关系定义间的联系 |
4.6 覆盖近似空间的知识嫡 |
4.7 本章小结 |
第五章覆盖粗糙模糊集模型及其在模糊决策中的应用 |
5.1 引言 |
5.2 现有覆盖粗糙集模型的局限性 |
5.3 Hu覆盖粗糙模糊集模型 |
5.4 不同知识粒度下的Hu覆盖粗糙模糊集 |
5.5 覆盖粗糙模糊集间的关系讨论 |
5.6 覆盖粗糙模糊集模型在模糊决策中的应用 |
5.7 本章小结 |
第六章基于覆盖的知识约简模型及其在不完备信息系统处 理中的应用 |
6.1 引言 |
6.2 不完备信息系统处理方法 |
6.3 覆盖近似空间的相对约简 |
6.4 覆盖近似空间的知识约简模型 |
6.5 基于覆盖的知识约简模型在不完备信息系统处理中的应用 |
6.6 本章小结 |
第七章 覆盖近似空间的扩展及其在属性约简中的应用 |
7.1 引言 |
7.2 覆盖决策系统及其属性约简 |
7.3 覆盖近似空间的扩展 |
7.4 覆盖决策系统的启发式属性约简算法 |
7.5 实验与结果分析 |
7.6 本章小结 |
第八章 结束语 |
8.1 主要贡献综述 |
8.2 研究工作展望 |
致谢 |
参考文献 |
攻读博士学位期间发表(录用)论文和科研情况 |
(9)基于概念格理论的粗集属性约简算法研究(论文提纲范文)
摘要 |
Abstract |
致谢 |
第一章 绪论 |
1.1 引言 |
1.2 研究背景 |
1.3 课题来源和内容组织 |
1.3.1 课题来源 |
1.3.2 内容组织 |
第二章 粗糙集理论 |
2.1 基本概念 |
2.1.1 知识与知识库 |
2.1.2 近似空间、不可分辨关系 |
2.1.3 上下近似集 |
2.1.4 属性的依赖性、重要性 |
2.1.5 粗糙熵 |
2.2 信息系统 |
2.3 决策表(决策系统)与决策规则 |
2.4 知识约简和核 |
2.4.1 约简和核 |
2.4.2 相对约简和相对核 |
2.5 粗糙集合的扩展模型 |
2.5.1 可变精度模型 |
2.5.2 容差关系模型 |
2.6 本章小结 |
第三章 概念格理论 |
3.1 形式概念分析 |
3.2 概念格模型的定义 |
3.2.1 代数格 |
3.2.2 概念格 |
3.3 概念格的扩展模型 |
3.3.1 扩展概念格 |
3.3.2 内涵约简概念格 |
3.3.3 量化概念格 |
3.4 概念格构造算法简述 |
3.4.1 批处理算法 |
3.4.2 渐进式算法 |
3.4.3 分布式/并行算法 |
3.5 概念格与粗糙集的关系 |
3.6 本章小结 |
第四章 决策系统的属性约简研究概述 |
4.1 基于分辨矩阵的属性约简经典算法 |
4.2 基于属性重要性的属性约简算法 |
4.3 基于属性频度的约简算法 |
4.4 Jelonek属性约简算法 |
4.5 其他属性约简算法 |
4.5.1 遗传算法 |
4.5.2 复合系统的约简算法 |
4.5.3 动态约简算法 |
4.5.4 基于数据库操作的约简算法 |
4.6 本章小结 |
第五章 基于概念格理论的粗集约简研究 |
5.1 等价类和概念间的对应关系 |
5.2 冗余属性判定规则 |
5.3 基于格的蕴含关系判定 |
5.4 潜约简及其判定 |
5.5 核元素判定 |
5.6 一致性判定 |
5.7 ARCL算法 |
5.7.1 ARCL算法描述 |
5.7.2 实例分析 |
5.8 实验结果及分析 |
5.9 本章小结 |
第六章 基于ARCL算法的实验系统 |
6.1 系统概述 |
6.2 系统实现 |
6.3 本章小结 |
第七章 结束语 |
7.1 本文总结 |
7.2 工作展望 |
参考文献 |
攻读硕士学位期间参加研究的课题和发表的论文 |
(10)基于复合粗算子的形式概念格(论文提纲范文)
1 概述 |
2 基础知识 |
2.1 概念格基础 |
2.2 粗集理论基础[2] |
3 Galois算子的粗集表示 |
4 形式概念格的复合算子表示 |
5 结束语 |
四、容差近似空间的广义概念格模型研究(论文参考文献)
- [1]差别信息树的属性约简与多源多粒度粗糙集方法研究[D]. 杨蕾. 重庆理工大学, 2020(08)
- [2]多源直觉模糊信息系统的知识获取方法[D]. 梁美社. 河北师范大学, 2019(08)
- [3]多粒度双量化决策粗糙集及其属性约简研究[D]. 郭艳婷. 重庆理工大学, 2017(02)
- [4]基于形式概念分析理论的知识获取模型研究[D]. 康向平. 山西大学, 2012(01)
- [5]复合粒计算模型研究进展[J]. 薛志远,张清华. 重庆邮电大学学报(自然科学版), 2010(05)
- [6]不完备信息系统知识约简方法及应用研究[D]. 杨霁琳. 西南交通大学, 2010(04)
- [7]基于覆盖的粒计算模型及其应用研究[D]. 胡军. 西安电子科技大学, 2010(02)
- [8]粗糙集理论与应用研究综述[J]. 王国胤,姚一豫,于洪. 计算机学报, 2009(07)
- [9]基于概念格理论的粗集属性约简算法研究[D]. 薛峰. 合肥工业大学, 2009(11)
- [10]基于复合粗算子的形式概念格[J]. 邱卫根,张国导. 计算机工程, 2008(24)