论文部分内容阅读
知识是人类智能的载体和体现形式。对人类智能的研究就是对知识的探索和发现。知识的不确定性,导致了不确定性人工智能的研究。不确定性知识的表示和处理是不确定性人工智能研究者面临的问题,形式化地表示不确定性知识,使机器具有处理不确定性问题的智能,是人工智能中的重大前沿课题。当前,数据的爆炸式增长使得传统的数据挖掘方法不能满足人们的需求。粒计算方法凭借自身优势处理复杂问题,成为了一种重要的数据挖掘方法,其研究目的是为了寻找一种最近似的可行方案,而非最优的解决方案,使得问题得以简化,求解成本得以降低。本文在粒计算和粗糙集理论研究的基础上,以分层递阶粒计算理论为基本思想,建立知识多粒度空间,在以下几个方面进行研究和探索:(1)结合粒计算理论,实现了多粒度形式背景分析。粒度空间的划分,是为了尽可能的减少对不必要数据的分析,从而达到简化问题的目的。本文对形式背景进行了分析,把整个信息表看作一个粗粒度空间,然后以分层递阶粒计算思想和概念格理论为基础,实现了形式背景的多粒度属性描述,并分析了不同粒度空间的相关性,为高效增量式知识获取奠定了一定的基础。(2)分析了动态环境下的数据挖掘方法,提出了基于粒计算的高效增量式知识获取方法。该方法首先把原始的知识库看作一个知识粒度空间,然后划分这个粗粒度知识空间,使粗知识粒由多个知识子粒构成,然后建立知识粒树。当新数据加入时,寻找对应的知识子空间,在子空间上结合粗糙集和Hash数据压缩的特点,实现快速、高效的知识获取,最后更新各知识子空间,达到增量式知识获取的目的。该方法从粒计算的角度出发,主要研究了新样本对原始知识子粒的匹配、在子空间中粒的分解以及粒子的动态学习和更新等方面,从而高效地对动态数据进行处理,并通过实验验证了方法的可行性和有效性。(3)由于人们对事物的认知不仅仅体现在对事物个体数量的不断增加,还表现在对事物本质特征认识的不断补充。因此,属性的不断增加是增量式知识获取研究的另外一个方面。结合概念格与粗糙集的思想,针对人们认知新事物需要不断增加对象属性的情况,尝试性地提出了基于属性增量的知识获取方法,该方法构造了决策表对应的规则层次模型,在属性增量过程中,通过对规则层次模型中决策规则节点和非决策规则节点的更新,以达到对原决策规则更新的效果,算法直观简捷。