基于多粒度信息粒化的数据分析方法及其应用研究

With the emergence of typical features of modern data, the thinking of multi-granularity has been grown in granular computing. Nevertheless, the diversity of granularities will bring some rigorous challenges to the studies of multi-granularity such as high complexity of computing, insufficient grasping of whole problem, lacking enough abilities of fusion and dynamic learning, etc. From these points of view, this object aims to explore efficient multi-granularity based information granulation and then develop new multi-granularity based modelling and knowledge acquisition techniques. It will be realized through the following specific goals. (1) Extracting the entitative characteristics of problem solving by data itself, which will be useful for proposing new theory and approach to multi-granularity based information granulation. (2) Constructing local rough data analysis approach with fusional characteristic, which can be used to improve the performance of rough set for deaing with complex problems. (3) Studying the dynamic multi-granularity based knowledge discovery with incremental learning ability, it is aimed to improve the processing power of large scale and high dimensional data. (4) Developing new fusion approach by multi-granularity technique, which is suitable for multi-source information. The results of this project will not only establish a theoretical framework and system, which takes multi-granularity as the core, but will also play an active driving role in multi-granularity based data analysis.

粒计算中的多粒度思想，是伴随着现代数据一些典型特征的出现而发展起来的，但粒度世界的多样性致使有关多粒度的研究面临着计算复杂度高、对问题整体特性掌握不够、缺乏足够的融合思想与动态学习能力等严峻挑战，鉴于此，本项目将在复杂数据背景下探索高效的多粒度信息粒化技术并以此为基础发展新的多粒度建模与知识获取方法，具体包括：（1）依据数据的自身特点提炼出问题求解的本质特征，以此为出发点提出新的多粒度信息粒化理论与方法；（2）在多粒度信息粒化的基础上，系统地建立具有融合特性的局部粗糙数据分析方法，增强粗糙集处理复杂问题的能力；（3）以提高海量、高维数据的处理效率为目的，研究具有增量学习能力的动态多粒度知识发现问题；（4）利用多粒度方法发展适合多源信息计算且新颖有效的融合方法。本项目的研究成果将形成一个以多粒度为核心的粒计算理论框架与方法体系，有望为更好地使用多粒度思想进行数据分析起到积极的推进作用。

纵观现有的大规模复杂数据处理方法，粒计算是一种被广泛认可、接纳的数据处理范式。多粒度是粒计算研究领域内的一个核心内容。本项目在多粒度信息粒化层面取得了如下成果：提出了与测试代价相关的多粒度信息粒化技术；将多粒度信息粒化引入多标记特征空间上，实现了面向多标记问题的多粒度信息粒化方法；提出了监督多粒度信息粒化的概念；以信息融合为核心，提出了一大类多粒度属性选择框架，所使用的融合机制可以融合不同的粒化结果及其所对应的属性评价。本项目在局部多粒度粗糙集的相关研究中，取得了如下成果：提出了一系列与多粒度粗糙集相关的局部度量准则，这些准则更加关注于与类别标记相关的局部特性；将局部-全局的属性选择理念与多粒度融合度量手段相结合，提出了基于粗糙集的属性选择框架；提出了基于多重决策代价的决策粗糙集模型；提出了分类性能与结果差异性相融合的属性度量准则，能够保证所选择出的属性提供更好的泛化性能。本项目在增量多粒度知识发现方面，取得了如下成果：提出了一类基于参数增量的多粒度属性约简加速策略，包含正向变化及逆向变化两个基本模式；提出了伪标签邻域构造方法，有效地降低了因粒化结果内样本标签不一致而带来的决策规则置信度较低的问题；在监督邻域约简进程中，引入了具有参数增量机制的属性选择器，实现了增量式属性约简。本项目在多粒度方法的应用方面，取得了如下成果：从异步多粒度视角出发，构造了一种标记传播策略，对无监督的样本进行标记，并借鉴度量融合策略实现了半监督数据中的降维；通过滑动窗口的方法，实现了多视角框架下的特征抽取，对不同视角下所得到的特征融合并采用支持向量回归的方法，实现了锂电池健康状态的预测。上述研究成果极大地丰富了多粒度方法，为复杂数据中的不确定性度量、属性压缩与知识发现提供了新的技术与支撑，而且对其他应用领域的发展有着重要的理论意义和实用价值。