在对大量数据处理中,可以从不同概念层次、不同粒度上去观察、分析问题,从不同的属性值取值粒度层次中得到不同层次信息的知识,满足人们对不同抽象层次知识的要求。概念格是描述数据的重要模型,是近年来获得飞速发展的数据分析与规则提取的有力模型。但是目前基于概念格的数据挖掘模型都是针对“静态”数据库,属性值只是从单层次上的数据中取值,缺少了信息粒度的变化。 为此,本文将粒度概念引入概念格中,结合粒度变化与概念格的知识,扩展已有的基于概念格的数据挖掘方法。论文的主要工作如下: 1.概述了知识发现和数据挖掘研究和应用;阐述了概念格的数学基础、概念格及其扩展模型的构造,并分析了各种概念格构造算法的特性;论述了粒计算的基本成分、问题,研究了目前粒计算中三种主要的模型。 2.在分析因粒度变化导致格中节点变化的情况后,提出一种动态概念格转化算法,以更好的适应这种粒度的变化,实验表明该算法的时间性能要优于重新构建概念格算法(Godin)。 3.根据粒度变化的需要提出多粒度属性值的形式背景,并提出多粒度属性的形式背景转化的方法;同时,由于概念格中不具备存储这种属性值层次的粒度变化值,因此必然需要额外的表示结构以辅助概念格模型来进行数据挖掘,故最后讨论了已有的两种存储属性值层次的粒度变化的结构:在面向属性归纳中提出的概念层次树和多维数据模型中的多维数组,分析了两种结构在不同情况下对概念格转化的影响,并根据概念格模型来适当的调整它们。最后提出一种基于粒度和概念格的知识发现模型。