知识依赖与知识依赖特性

给出S-粗集(Singular rough sets)中的知识，f^--知识和它们的属性集结构；利用这些概念，给出知识的f-依赖关系与知识的f^--依赖关系，提出知识依赖性定理和知识的依赖属性补充-删除原理．     

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识［x］内的元素个数被减少;利用属性集α内的部分属性被删除, 知识［x］内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。     

知识过滤和它的依赖推理发现

知识具有颗粒，知识具有粒度；颗粒，粒度是知识的两个基本特征；知识的颗粒特征，知识的粒度特征与知识的属性保持着紧密联系，属性的变化引起知识颗粒特征，知识粒度特征的变化．本文将物理学中物质具有颗粒的概念和过渡的概念引入到粗集（rough set）理论与应用的研究中，提出了知识过滤的概念，给出知识过滤的数值度量，知识筛子原理．利用知识过滤的概念，给出知识过滤在依赖推理中的推理结构，依赖推理的数值关系和在知识发现中的应用．知识过滤与依赖推理相互交叉，互补共享，是知识发现研究的一个新方向．     

函数P-集合属性依赖与应用

利用函数P-集合的结构,给出函数P-集合的属性依赖,给出属性依赖度量与函数P-集合的属性依赖定理。利用这些结果,给出函数P-集合属性依赖的应用。     

f-模族的自由积与f-张量积的关系

本文证明了f-模族自由积的存在性和唯一性,讨论了f-模族自由积与f-张量积的关系.     

f-向量空间中f-线性无关与线性无关的关系

本文在〈１〉〈２〉〈３〉的基础上,进一步研究了ｆ线性无关与线性无关、ｆ 线性表示与线性表示之间的关系     

F-知识与它的隐藏-依赖特征

S-粗集(singular rough sets) 存在三种形式: 单向S-粗集(one direction singular rough sets), 单向S-粗集对偶(dual of one direction singular rough sets)和双向S-粗集(two direction singular rough sets)。 S-粗集具有动态特性, 遗传特性, 记忆特性和隐藏特性。 利用S-粗集, 给出了f-隐藏知识, F-隐藏知识, 隐藏度和隐藏-依赖度的概念, 提出了关于隐藏知识的隐藏定理和隐藏-依赖定理, 并给出应用。     

知识的应用与迁移

在学习的过程中，各种学科与各种技能之间，或同种学科和技能的各个不同部分之间，存在着某种程度的彼此影响，称之为“学习的迁移”。知识的应用，是指利用已掌握的旧知识学习新知识或解决生产、生活中各种问题的能力。而已获得的知识技能，甚至方法和态度对新知识、新技能等应用的影响可能是积极的，它对学习起促进作用，有利于新知识的掌握称之为正迁移;影响也可能是消极的，它对新知识的学习起阻碍作用，使新知识的学习发生困难，称之为负迁移。     

知识的应用与迁移

在学习的过程中 ,各种学科与各种技能之间 ,或同种学科和技能的各个不同部分之间 ,存在着某种程度的彼此影响 ,称之为“学习的迁移”。知识的应用 ,是指利用已掌握的旧知识学习新知识或解决生产、生活中各种问题的能力。而已获得的知识技能 ,甚至方法和态度对新知识、新技能等应用的影响可能是积极的 ,它对学习起促进作用 ,有利于新知识的掌握称之为正迁移 ;影响也可能是消极的 ,它对新知识的学习起阻碍作用 ,使新知识的学习发生困难 ,称之为负迁移     

基于综合相似度迁移的协同过滤算法

数据稀疏性问题是传统协同过滤算法的主要瓶颈之一.迁移学习通常是利用目标领域与辅助领域的潜在关系,对辅助领域进行知识迁移,以此来提高目标领域的推荐质量.现有的基于相似度迁移模型,普遍只利用了用户评分信息,并且在评分相似度计算上忽略了用户评分标准个性差异.针对这些问题,提出了一种综合相似度迁移模型,在相似度计算上,即利用了用户评分信息同时也利用了用户属性信息,并且考虑了用户间对满意度的打分标准的差异性,采用了用户评分分布一致性来衡量用户评分相似度的方法,提高了相似度计算的准确性,从而提高了数据迁移的质量.实验结果表明,该模型较其他算法能比较有效地缓解数据稀疏性问题.     

一种基于属性依赖的属性约简算法

针对现有属性约简算法存在的问题,利用信息论和粗糙集理论,提出了基于属性依赖的属性约简算法,该算法不用求核.首先利用单个条件属性与决策属性的依赖度来选择条件属性,取与决策属性依赖度大的属性,计算完毕后,将得到的条件属性两两之间进行依赖度计算,删除冗余属性,最后得到条件属性的约简.理论分析及实验结果表明该算法具有较好的约简效果及更高的运行效率.     

P-集合的属性函数与P-信息融合的属性合取特征及应用

利用P-集合的结构,给出P-集合中元素的属性及属性函数的概念,讨论P-集合与属性函数的关系以及单属性函数和满属性函数的计数问题。给出P-信息融合的属性合取扩展-收缩特征、内P-信息融合的属性合取扩展定理、外P-信息融合的属性合取收缩定理、具有属性合取扩展特征的内P-信息融合发现定理、具有属性合取收缩特征的外P-信息融合发现定理。最后,给出具有属性合取扩展特征的内P-信息融合生成-发现的应用实例。     

外 P-推理信息恢复与属性潜藏特征

利用外P-集合与外P-推理,给出外P-信息恢复概念与外P-信息恢复特征,给出外P-信息恢复的外P-推理生成与它的属性潜藏,给出外P-信息恢复的信息元删除定理和依赖性定理,给出外P-推理信息恢复的属性潜藏定理与潜藏属性发现定理。     

基于改进扩展正域的属性核与属性约简方法

指出了不相容决策表中存在的正域扩展方法的不足,基于决策表局部最小确定性与条件属性对决策的最小确定性程度,构建了一种改进的扩展正域方法。基于改进的扩展正域方法,提出了计算不相容决策表中认知属性核和认知属性约简的算法。实验结果表明了本文方法的有效性。     

属性聚类网络和属性识别准则在期货价格预测中的应用

在属性测度概念的基础上,运用属性聚类网络和属性识别理论解决模式识别问题,该方法在期货价格趋势预测中获得了较为成功的应用.     

知识发现中缺损数据的处理(I)

研究了如何在知识发现中处理属性值缺损的问题,通过发现值缺损属性的取值集合,值缺损属性是否为强作用属性以及与其他属性是否相关。不仅解决了对含有缺损数据信息源进行知识发现的问题,同时也说明了对缺损数据处理的意义。     

知识发现中缺损数据的处理(II)

研究了在知识发现过程中处理连续取值属性值缺损的问题。提出了进行连续值划分的“超长方体”划分法。在此基础上 ,通过发现值缺损属性的取值集合 ,值缺损属性是否为强作用属性以及与其他属性是否相关 ,解决了对含有缺损数据的信息源进行知识发现的问题。文中通过处理UCI机器学习数据库中的 COIL数据库 ,说明了本方法是可行的。     

信息系统相容性和属性约简理论

属性约简贯穿知识发现的整个过程,对知识发现的结果和精度都有很大影响.以信息理论为基础,提出了信息系统相容性和属性约简若干严格的数学概念,对信息系统的条件属性进行了严密的分类,且给出了一些判别法则,以及信息系统相容性判别算法和具有线性计算复杂度求极小属性约简的算法.