概念格的构造、约简及其应用研究

来源 :广西大学 | 被引量 : 0次 | 上传用户:xiajie318
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
概念格理论是德国数学家Wille R.教授在20世纪80年代提出的,由于其思想新颖、方法独特,已经成为知识发现的一个重要数学工具,是当前计算机科学领域的一个热门研究课题。概念格也称为Galois格,是形式概念分析理论中的核心数据结构,它具体而形象地描述了对象和特征之间的关系,表明了概念之间的泛化和特化关系。因此概念格作为一种具有极大潜力的有效的知识发现工具而备受广大研究者的关注,目前,概念格正在被广泛应用于数据分析、决策分析和数据挖掘等,然而,它仍是一个年轻并在高速发展的领域。本文对概念格中的若干基本问题进行了研究:   在概念格构造方面,通过研究概念的性质,给出并证明了反映概念之间关系的几个定理,以此为基础提出了两种基于基本概念的渐进式概念格构造算法。为了提高算法的效率,概念运算采用二进制运算方式,对提出的算法作了进一步的完善。   在概念格约简方面,文章给出了一种属性重要性的定义及其性质,提出了一种新的概念格属性约简算法。目前已有不少关于概念格构造和约简的算法,但这些算法大多是概念格的构造和约简分别进行的,在实际应用中难以发挥其作用.为此,在概念格构造和约简算法的基础上,提出了一种在概念格构造过程中进行约简的算法。该算法首先生成基本概念,并对基本概念进行约简,然后利用约简后的基本概念构造所有概念,得到约简后的概念格。   在概念格应用方面,利用概念格和BP神经网络的各自优势,提出了一种基于概念格的BP神经网络模型。该模型首先利用概念格的理论对样本数据进行属性约简,提取其中关键要素作为BP神经网络的训练样本,用简化的训练样本对BP神经网络进行训练,建立优化的基于概念格的BP神经网络模型。仿真实验结果表明,基于概念格的BP神经网络模型能简化BP神经网络的训练样本,优化BP神经网络,提高了系统的学习效率和精度。
其他文献
图谱性质与图的结构有着密切的联系,它们之间是互相揭示与互相制约的关系.在本文中,我们应用图论理论,图谱理论和矩阵分析理论,采用常用的图谱分析方法,比如 Rayleigh-Ritz定理和
微分方程有着深刻而生动的应用背景,它的产生源于生产实践与科学技术的发展,到现在它已经逐渐成为现代科学技术中分析问题和解决问题的一个强而有力工具。它主要应用在在经济
边界元法中存在的几乎奇异积分的难题,一直限制着其在工程中的应用范围。现有的处理几乎奇异积分的多数方法,通常是针对线性几何单元,基于高阶单元的几乎奇异性处理非常少见。然
匹配数导出的拟序关系,在图的能量,图的匹配能量,图的Hosoya指数等有十分重要的应用.本文主要运用匹配能量中匹配数的拟序工具,研究关于匹配数的补图的排序,并且基于参数控制,对给
寓意类材料作文审题,首先要明确这则材料所写对象是什么,中心是什么.然后由果推因,由物及人,接下来从不同角度进行立意选准自己最易把握的立意来拟题,列出提纲,援笔成文.
边缘检测是图像分割、目标区域识别和区域形状提取等图像分析领域十分重要的基础,是图像识别中提取图像特征的重要方法。边缘检测技术方面,目前已经有很多算法被提出并可大致
变分法是通过将微分方程边值问题化为变分问题来证明解的存在性.以及多重性,并且是求近似解的方法之一,临界点理论作为它的理论基础.文章就是利用变分法来展开对两个不同的椭圆
分配性方程及相关问题在模糊数学领域已经提出了很多年,我们熟知的一些算子的分配性问题也已得到了充分的研究并有了完备的理论,例如:三角模,三角余模,一致模和零模等.三角模(Tri
图像分割对图像处理和模型识别都具有非常重要的作用,是图像分析和模型识别的第一步,它决定了图像分析最后结果的质量。本文是一篇综述文章,主要介绍关于单色图像的分割方法: