基于粒计算的概念格拓展模型

将粒计算融入到概念格研究中,结合相似度模型和概念格结构信息,提出一种基于粒计算的概念格拓展模型,其有助于扩展经典概念的内涵和外延,也有助于压缩概念的规模.该模型是概念格和粒计算融合研究的一次有益探索和尝试,同时对概念格拓展也不失为一种有效手段.     

基于代价敏感不平衡数据流分类算法

在数据流分类学习过程中,类不平衡和概念漂移是两大挑战问题.在分析传统特征选择算法和代价敏感学习方法的基础上,将代价敏感学习算法的思想引入特征选择算法中,设计并实现了一种基于代价敏感的Relief F剪枝的数据流分类算法,不仅能删除冗余的特征,而且适应动态变化的数据流环境.与经典的算法进行分析比较,结果表明所提算法可显著提升分类效果.     

基于粒集的概念粒系统

在作者提出的粒计算新模型──粒集理论的基础上,提出了粒系统、概念粒系统和粒概念等概念,并对它们分别进行了描述,其中粒系统的描述是五元组形式,即(U,D,L,H,J).当约束J的形式为一种特殊形式,即为概念中内涵与外延间反变关系的数学描述时,(U,D,L,H,J)就是概念粒系统.由此给出了概念粒系统的一些基本数学性质,证明了全体粒概念构成一个完备格──粒概念格,同时初步探讨了形式背景与概念粒系统之间的关系,从而进一步扩充了粒集理论的内容,完善了粒集理论.     

一种抗噪的概念漂移数据流分类方法

隐含概念漂移的数据流分类问题是数据挖掘领域研究的热点之一,而实际数据中的噪音会直接影响概念漂移检测及分类质量,因此具有良好抗噪性能的数据流分类方法具有重要的研究和应用价值.随机决策树的集成模型是一种有效的数据流分类模型,为此本文基于随机决策树,引入Hoeffding Bounds不等式来检测和区分概念漂移和噪音,根据检测结果动态调整滑动窗口的大小和漂移检测周期,并提出一种增量式的集成分类方法ICDC,实验结果表明,本文算法在含噪音数据流上处理概念漂移是有效的.     

基于信息系统的概念粒及其距离计算

在信息系统的基础上引人概念粒的概念,给出其规范的形式化方法,对概念粒的距离进行了定义,并研究了其距离的一些性质及应用.这些研究结果有助于理解粒的本质,能更准确的表述属性与对象之间的不确定性关系.     

基于可信多数投票的快速概念漂移检测

数据流因具有数据持续到达,概念漂移产生时刻无法预测、概念的数量不确定等特征,使得滑动窗口的大小很难事先确定,滑动窗口包含概念的数量对概念漂移检测存在影响.本文提出了基于可信多数投票的快速概念漂移检测算法(CMV_SEA),该算法使用SEA算法中的基分类器淘汰方法,使用可信多数投票实现滑动窗口中基分类器的集成.仿真实验表明:相比于SEA算法,CMV_SEA算法提高了泛化能力;能在新概念产生的第一时间内检测到概念漂移;对概念漂移的检测能力和新概念的学习能力不受滑动窗口大小的影响.     

概念知识粒与概念信息粒的相互转化

在研究概念知识粒和概念信息粒的基础上,进一步讨论了Ⅰ-型概念信息粒、Ⅱ-型概念信息粒和概念知识粒之间的转换关系,并给出了新的转化方法,进一步揭示了概念信息粒和概念知识粒之间的关系。这些结论为生成近似概念和获取近似规则提供了理论基础,促进了粒计算理论的发展。     

粒计算在基因微阵列数据特征选择中的应用

对于许多模式识别问题来说,特征选择是一个非常重要的数据预处理技术,这对于维数高,而样本又相对较小的微阵列数据来说更是如此.提出一种将粒计算与传统的SVM-RFE算法相结合的特征选择算法.这种算法能够有效地去除大部分与分类无关的基因;并且能够搜索到基因数量相对较少而分类能力相对较强的信息基因子集.     

基于大间隔粒计算的特征选择

通过寻找一个最优的特征子集,特征选择可以降低计算复杂度,提高分类精度以及结果的可理解性。提出基于大间隔信息粒化的特征选择算法,通过聚类等方式对原始数据进行单类信息粒化,然后在粒化的基础上构造了模糊间隔和类间隔2个评价指标进行特征评价。并分别在不同的数据上验证了这种特征选择方法的有效性,实验结果表明,基于大间隔粒计算的特征选择算法效果要优于其他的大间隔特征算法。     

面向概念漂移数据流的在线集成自适应算法

概念漂移是流数据的主要特征之一,如何检测概念漂移的发生以及调整预测模型去适应概念漂移现象备受研究者的关注.目前有关概念漂移的大多数算法仅仅针对单一类型的概念漂移检测,并且需限制输入数据服从某一分布,所以在检测多种类型概念漂移时效果不理想.提出一种在线集成自适应算法（KSHPR）,在自适应随机森林（Adaptive Random Forests,ARF）算法和流随机补丁（Streaming Random Patch,SRP）算法的基础上进行优化改进,采用非参数检验与滑动窗口相结合的策略进行概念漂移检测,降低窗口平均值对算法性能的影响,并以此为基础建立四个基学习者的集成学习模型,根据基学习者预测准确率,动态分配权值,有效解决流式数据中学习模型精度低的问题.实验证明,提出的算法在真实数据集和合成数据集中均表现优良,与其他算法相比,该算法的稳定性、分类准确性与多类型概念漂移适应能力均有所提升.     

形式概念分析的粒计算方法及其研究展望

形式概念分析是知识表示与处理的一种实用数学方法,因其核心工具概念格的构造代价涉及指数时间复杂度,它在一定程度上导致其处理数据效率不高,这个问题也一直阻碍着该理论的快速发展与广泛应用。粒计算以粒的形成、粒的转移、粒的合成与分解等手段有效解决问题而著称,它允许问题在各个粒化层面上得到处理,并根据实际需要在解决问题的精度与耗时之间做出权衡。形式概念分析的粒计算方法的主要研究目标是将粒计算的这些优势融入传统形式概念分析中以有效解决数据分析与处理问题。具体地,本文从Galois连接的粒计算模型、对象粒化、属性粒化、关系粒化、关系诱导的概念粒化、粒规则、粒约简、粒概念、粒概念学习、概念粒计算系统等角度展示形式概念分析的粒计算方法的主要研究内容,并针对大数据与认知学习提出若干挑战性问题。有关讨论结果将为形式概念分析的粒计算方法的研究与发展提供借鉴。     

数据流滑动窗口方式下的自适应集成分类算法

针对基于数据块的集成算法,存在数据块大小影响分类效果,且不能及时应对完整式概念漂移的问题,提出了一种考虑数据流局部特征的和能应对多种类型概念漂移的集成分类算法.用滑动窗口作为概念漂移检测器,当检测到概念漂移时,则建立新的分类器并加入到集成分类器中.本文提出的算法在人工合成和真实数据集上与经典算法进行了广泛的对比实验.结果表明:提出的算法在分类准确率上具有明显优势,消耗更少的内存,更适合多种类型概念漂移的环境.     

基于频度的概念漂移中低频概念的消减

由于数据流中概念漂移现象的影响,使得传统的分类方法不再适用,因此研究快速、精确及稳定的数据流挖掘方法和系统具有较高的理论和应用价值;文章研究了基于频度的概念漂移中低频概念对分类时空性能的影响,提出了对其中的低频概念进行消减的算法,实验表明LFCR算法比RePro算法有更好的分类性能。     

用于气敏传感器漂移补偿的数据选择方法

针对传感器在线漂移补偿中可能存在多种状态的样本,进而引起误判的情况,提出了一种新的数据剔除与判别方法,该方法将传感器阵列响应曲线斜率作为依据进行数据剔除,同时将输入样本与模式识别算法中的记忆知识进行对比,从而进行数据归类,以此避免识别错误的发生.实验表明:该方法配合在线漂移补偿方法后,能够自动判断当前样本所处状态.识别正确率由37.5％提升至100％.     

一种可伸缩的粒计算知识获取方法

粒计算是一种新的智能信息处理理论,它很大程度上模拟了人脑认识和解决问题的过程.通过对信息表分层粒化模型的研究,引入了粒分布链表的概念来生成粒子,并改进了一个粒计算算法.改进算法使用数据库技术对原始数据集进行粒化来生成粒分布链表,能够直接处理海量数据集,同时不影响原算法的有效性.通过试验测试了该方法的有效性及可伸缩性.     

垃圾邮件的概念漂移及过滤技术研究

提出了双级别的概念漂移检测算法,监视已有的垃圾邮件过滤模型在对邮件分类时是否产生了持续的分类错误,进而对概念漂移进行识别。针对由用户偏好引起的垃圾邮件概念范畴变化,基于本体提出邮件数字指纹与概念子类别之间的关联强度和隶属度算法。通过对比实验,验证了所提方法在垃圾邮件概念漂移问题上的有效性。     

产品设计冲突的粒计算消解模型

针对产品设计约束具有层次性、分布性及动态性的特点,用分布式约束满足问题模型难以进行产品设计冲突消解的问题。将产品设计转化为商空间粒度世界,建立了分层递阶粒计算产品设计冲突消解模型。对产品设计问题进行粒化和划分,通过商映射和粒度合成实现不同层次之间以及不同设计领域之间的映射和回溯,采用分层次、逐步细化的粒计算方法进行冲突消解。这种由粗到细、层层深入、逐层求解的粒计算消解方法简化了分布式动态约束满足问题,降低了问题求解的计算复杂性,具有系统性、整体性和层次性特点。