基于计算智能与粒计算的多源数据泛化系统建模分析与研究

With flooded of huge amounts of data, it becomes a very important task to execute system modeling effectively and rationally with huge size of data in knowledge engineering field. This project aims to firstly do some research on local modeling with huge amounts of data and then build a global model framework to deal with complex data problems based on the core of Computational Intelligence. Information granules are seemed as a modeling asset and provide some flexibility to develop a more general, holistic and abstract granular model. This model aggregates the common characteristics of all local models and also reflects the discrimination. Owing to the feature of granularity, it predicts new data from the perspective of human beings which has some flexibility. The details of research contents: we will analyze local data and form local models with the aid of Computational Intelligence, extract useful information, and discuss the diversity between local models and knowledge sharing and reconciliation; we will discuss how to develop global granular model using local models and information granules which are formed by some certain methods; we will find the influence of all parameters in the developing stages and propose a way to realize multiple criteria optimization algorithms. This project will provide a reliable selection when realizing modeling with huge size data: a framework which is human-centric and flexible and theoretical analysis support. It has important theoretical value and application significance for knowledge discovery and representation on complex data.

在海量数据充斥的今天，由于时间、空间或其他原因而造成局部数据彼此不可见的情况越来越多，而此时的局部系统数据建模、全局系统建模及他们之间的关系成为一个棘手的问题。本项目从局部建模研究出发，依据计算智能的核心算法建立一套处理复杂数据的全局模型，并应用粒度为系统提供一定的弹性空间，以建造更一般、抽象的粒化模型。该模型既积聚了局部模型共有的特征，又体现了局部模型相互区别的特点，由于粒度性，对新数据的预测从人的思维出发，具有一定的灵活性。内容包括：分析局部数据，利用计算智能算法对局部模型进行建模提取模型信息，研究局部模型间的差异性与知识交互和重构；研究怎样利用局部模型与粒度建立全局粒化模型，建立合理的粒度表示方法；研究各阶段参数对模型影响并提出相应的多目标优化算法。本项目的研究将为海量数据建模提供一个选择：有弹性的以人为中心的大数据建模框架体系与理论分析，对复杂数据的知识发现有重要理论价值与应用意义

多源数据的局部分析与全局建模是当今海量数据分析研究的重要内容,本项目研究了局部模型的构建,合理粒度原理,全局模型的开发,进化算法(单亲遗传算法，粒子群算法)等。局部模型框架以模糊模型和神经网络模型为例，研究模型的开发，模型之间信息的共享与交互，给定粒度在每个局部模型上的分配，等。粒计算的相关研究包括合理粒度原理的研究与在建模上的应用,最优粒度分配原则,信息粒的形成,等。全局建模研究包括全局模型输入数据的选取方法研究,抽象神经网络的学习,抽象模糊模型的构建,聚类算法在全局模型上的应用,各种聚类算法的比较,等。进化算法的研究主要包含两种: 单亲遗传算法与粒子群算法.在这两种算法的基本理论上进行改进,使之适合全局建模的优化算法。本研究的一些重要理论都采用了人造数据与机器学习网站的流行数据如Boston Housing，Auto MPG等编程实现。通过研究发现, 局部建模的方法在实际应用中更易于软件系统的维护和演化,模型的弹性化粒度更符合人对系统的认识，全局模型拥有相对简单的结构，但却可以为系统提供具有重要参考意义的模型。本研究建立的建模框架体系与理论分析，对复杂数据的知识发现有重要理论价值与应用意义。