多粒度空间的通讯、转换及其问题求解机制研究

粒计算是当前智能信息处理领域中模拟人类思考问题和解决大规模复杂问题的自然模式的新理论，在复杂的和海量的数据处理方面有着独特的优势。本项目将紧紧围绕多粒度问题求解的四个核心问题，借鉴人类对复杂问题的综合求解模式，系统将开展多粒度空间的通讯、转换及其问题求解机制研究。主要内容包括：（1）面向复杂数据，建立基于距离的粒化方法，设计一般意义下的粒度选择算法；（2）探索多粒度空间之间的通讯与协同化机制，建立基于多粒度的粗糙数据分析方法；（3）研究多粒度空间的代数结构，构造多粒度空间之间的转换与合成方法；（4）研制基于多粒度的特征选择加速器，设计前向搜索的高效特征选择算法。本项目的研究成果将丰富粒计算理论，探索复杂问题求解与海量信息处理的新途径，对智能计算、机器学习、数据挖掘与知识发现等相关领域的研究有着重要的理论意义和应用价值。

作为人类认知的重要特征之一，粒化认知对复杂数据建模具有重要的借鉴作用。借鉴人类的粒化认知机理，有望诞生新的数据建模理论与方法。本项目围绕基于粒化机理的复杂数据建模开展研究，重点解决了三个核心科学问题：（1）如何有效地进行复杂数据信息粒化？（2） 如何分析粒化的不确定性？（3）如何借鉴粒化机理进行数据建模？主要结论包括：（1）建立了基于距离的粒化方法，设计了一般意义下的粒度选择算法；（2）揭示了多粒度空间之间的通讯与协同化机制，建立了基于多粒度的粗糙数据分析方法；（3）给出了多粒度空间的代数结构，构造了多粒度空间之间的转换与合成方法。本项目的研究成果将丰富粒计算理论，探索复杂问题求解与海量信息处理的新途径，对智能计算、机器学习、数据挖掘与知识发现等相关领域的研究有着重要的理论意义和应用价值。