覆盖近似空间和形式背景中的知识获取研究

粗糙集和概念格是两种有效的知识表示与知识发现的工具，并作为智能信息处理的关键技术，被成功应用于许多领域。本课题以（模糊）覆盖近似空间和（模糊）形式背景为研究对象，系统地研究相应的知识粒度的属性约简和决策规则提取的理论与方法。主要研究内容包括：（模糊）覆盖近似空间和（模糊）形式背景中知识粒度的数学结构以及不同知识粒度下的知识约简的理论与方法；决策形式背景中基于概念格的知识约简与决策规则提取的理论与方法，决策信息系统中基于覆盖粗糙集和基于概念格的知识约简与决策规则提取的理论与方法；决策规则的不确定性分析与推理。本课题的研究能够进一步明确粗糙集与概念格之间的关系，丰富和发展这两种理论，对生物信息工程、医学、地理学、材料学、管理科学、金融工程和商业等领域的实际问题具有广泛的应用前景。

本课题研究了覆盖近似空间和形式背景中知识表示和知识获取的理论与方法。分析了覆盖近似空间和形式背景中的知识粒度结构，给出覆盖近似空间中的粗糙近似和形式背景的属性集中的层次结构，比较了它们的知识的衍生能力。给出模糊形式背景中模糊概念的等价性刻画，以及直觉模糊粗糙集和概率粗糙集的公理化刻画。将布尔计算方法引进覆盖粗糙集约简和形式概念计算。研究基于不可约元的形式背景属性约简，并将其与现存的几种属性约简进行了比较。在决策表和形式决策背景中，研究了知识粒度之间的关系，给出提取决策规则的方法。分析了从数据中所获取的知识的不确定性问题。上述研究成果丰富了基于覆盖粗糙集和概念格的粒计算理论，为数据挖掘与知识发现提供了理论和方法。