粒计算是一种用于信息处理的人工智能方法,通过模拟人类认知、分析和处理问题的方式去解决不确定、不完备以及海量信息等复杂问题。而粒球计算是粒计算领域近年来发展出的重要方法,具有高效、鲁棒和可扩展性等特点。粒球计算方法用粒球作为通用特征来覆盖和表示样本空间,在任意维度都只需球心和半径来度量样本空间。但是,现有粒球生成方法存在异类粒球重叠问题,会导致决策边界混淆,影响算法学习性能。本文改进了粒球生成方法,作为应用,提出了基于粒球计算与非负矩阵分解的用户关系预测模型。主要内容如下:1.针对异类球重叠问题,通过引入重叠检测机制,提出了一种改进的粒球生成方法。为了验证改进方法的有效性,将新的粒球生成方法应用到粒球6)6)近邻分类器和粒球邻域粗糙集属性约简方法中,通过实验验证了重叠改进的粒球计算方法能够取得更好的效果。并在基于改进的粒球6)6)近邻分类器的对比实验中验证了粒球计算的高效性和鲁棒性。2.针对噪声环境下的符号网络用户关系预测问题,给出了基于粒球计算与非负矩阵分解的用户关系预测模型。该模型首先将图正则和正交化的约束条件以及2,1范数加入到标准非负矩阵分解中提出改进的非负矩阵分解算法,并推导了其迭代更新公式。该算法可以对大型符号网络进行降维,并且降维后的矩阵可以同时保持原网络的结构信息和稀疏表达能力以及降低噪声数据造成的影响。然后利用基于粒球计算的采样方法过滤噪声,进一步增强模型的鲁棒性。最后在公开的符号网络数据集上添加人工噪声进行了多组实验,实验结果验证了该模型良好的鲁棒性。