论文部分内容阅读
随着计算机网络技术、计算机存储技术和通信技术的迅猛发展,各行各业形成的海量大数据既为企业的发展提供了大好的机遇,也给企业带来了严峻的挑战。如何能够及时有效地从大数据中发现有用的知识和信息已成为当前十分迫切的问题。另外,各种应用数据在现实中不断地动态变化,包括旧数据的删除和新数据的增加以及一些错误数据的修订等,如何能够从动态变化数据中进行实时高效的知识发现和数据挖掘是当前信息科学领域研究中的重要课题之一。粒计算理论为大数据知识发现提供了多层次和分而治之的解决方案,可以有效处理动态变化数据集知识发现问题并及时高效获取知识。本文以粒计算和粗糙集理论为基础,以增量学习技术为手段,对决策信息系统中数据动态变化下的属性约简算法进行了系统的研究。论文的主要研究成果包括:(1)针对决策信息系统中对象动态变化时如何有效更新属性约简的问题,探讨了对象动态变化后基于矩阵方法计算知识粒度的增量更新机制,提出了对象动态变化后基于矩阵方法的动态属性约简算法,但该算法仅适用于较小数据集。进一步,分析了对象动态变化后基于非矩阵方法计算知识粒度的增量更新机制,设计了对象动态变化后基于非矩阵方法的动态属性约简算法;(2)针对决策信息系统中属性随着时间动态增加时如何有效更新属性约简的问题,分析了属性增加后基于矩阵方法计算知识粒度的增量更新机制,提出了属性增加后基于矩阵方法的动态属性约简算法。但该算法仅适用于较小数据集。进一步,探讨了属性增加后基于非矩阵方法计算知识粒度的增量更新原理,提出了属性增加后基于非矩阵方法的动态属性约简算法;(3)针对决策信息系统中属性值动态变化时如何有效更新属性约简的问题,分析了单个对象的属性值发生变化后决策信息系统知识粒度的增量更新原理,提出了单个对象属性值变化动态属性约简算法。但是当决策信息系统中多个对象属性值发生变化后,单个对象属性值变化的动态属性约简算法需要多次运行才能获得约简,导致运行速度较慢。进一步,探讨了多个对象属性值发生变化后决策信息系统知识粒度的增量更新机制,设计了多个对象属性值发生变化的动态属性约简算法;(4)针对大数据环境下如何有效更新属性约简的问题,利用多粒度概念和“分而治之”方法分析大数据属性约简机制,提出了基于多粒度粗糙集模型属性约简算法。当决策信息系统中对象动态变化时,分析了对象动态变化后决策信息系统知识粒度增量更新机制,设计了对象动态变化后基于多粒度粗糙集模型动态属性约简算法。本文利用粗糙集和粒计算理论对决策信息系统中不同粒度进行了分析,运用增量学习技术设计了基于知识粒度的高效动态属性约简算法,给出了决策系统中对象、属性和属性值三种变化下的增量更新属性约简机制,为动态数据及时和高效获取知识提供了理论支持。并通过UCI数据集进行了大量实验,验证了所提出的动态属性约简算法的有效性。因此,本课题的研究工作拓展了粗糙集与粒计算理论和应用的研究范畴,为动态数据环境下如何有效更新属性约简的问题提供了新的理论和方法。