复杂信息系统的多粒度知识发现与不确定性分析

Granular Computing (GrC), which imitates human being's thinking, is currently a new vivid direction in the research fields of artificial intelligence, especailly, for data mining and knowledge discovery. Its basic computing unit is called granules and its objective is to establish effective computation models for dealing with large scale complex data and information. Its basic idea is to present the representation of information granulaity and problem solving within multi-angle and multi-level of scales. By using the tools of rough sets and concept lattices, the main objective of this project is to invetigate theory and approach of multi-granular information represenation and knowledge discovery in complex systems such as inforamtion systems and formal contexts. It will be realized through the following specific goals: (1) To build models of multi-granular information represenation for complex data and rough approximations of target concepts; (2) To explore the algebraic structures of multi-granular spaces and the transformation mechanism between different granular spaces; (3) To study the optimal granularity selection and attribute reduction for multi-granular data; (4) To investigate knowledge acquisition in complex data and analyze uncertainty measures of knowledge from multi-granular data. The results of this project will not only enrich the theory of GrC by providing new theories and approaches for data mining in complex systems, and will also be of theoretic significance and valuable applications in many other reseach fields.

粒计算是当前人工智能，特别是数据挖掘和知识发现领域一个非常活跃的研究方向，它以粒为基本计算单位，以处理大规模复杂数据和信息等建立有效的计算模型为目标。粒计算的基本思想是从多角度、多层次进行信息粒度的表示和问题求解，在复杂和海量数据处理方面有着独特的优势。本课题从模拟人的认知出发，以复杂信息系统和形式背景为对象，以粗糙集和概念格为工具，研究信息的多粒度表示和知识发现的理论与方法及不确定性分析。主要内容包括：（1）复杂信息系统的多粒度信息表示和目标概念近似；（2）多粒度空间的代数结构和粒度空间之间的变换机制；（3）多粒度数据的最优粒度选择和属性约简;（4）复杂系统的多粒度知识获取与知识的不确定性度量。本项目研究成果不但能够丰富粒计算理论，为复杂系统的数据挖掘及不确定性分析提供新的理论和方法，而且对其他领域有重要的理论意义和应用价值。

粒计算是当前人工智能，特别是数据挖掘和知识发现领域一个非常活跃的研究方向，它以粒为基本计算单位，以处理大规模复杂数据和信息等建立有效的计算模型为目标。粒计算的基本思想是从多角度、多层次进行信息粒度的表示和问题求解，在复杂和海量数据处理方面有着独特的优势。本课题从模拟人的认知出发，以复杂信息系统和形式背景为对象，以粗糙集和概念格为工具，研究多粒度环境下复杂信息系统的信息粒表示和知识发现的理论与方法及不确定性分析。给出了经典和模糊环境下形式背景中概念格的信息粒的表示、数学结构和概念的粗糙近似定义，发展了三元概念格理论，提出了基于三元形式背景的概念格构造方法。用构造性方法和公理化方法发展了粗糙近似算子。在构造性方法中，构造性地定义了几类模糊粗糙近似算子和直觉模糊粗糙近似算子，并在模糊决策系统、直觉模糊决策系统的分类决策规则的提取以及多属性决策方面的应用取得了比较好的效果。在公理化方法中，给出了用一条公理刻画了模糊粗糙近似算子和直觉模糊粗糙近似算子的特征。研究了多粒度空间的代数结构和粒度空间之间的变换机制，讨论了多尺度决策系统的最优尺度选择和广义多尺度决策系统的最优尺度组合选择问题，给出了（广义）多尺度决策系统中各种不同最优尺度（组合）概念之间的关系，并进一步提出了多尺度决策系统基于粗糙集的属性约简理论和决策规则获取新方法。发展了多粒度环境下复杂系统知识表示的不确定性理论。用证据理论中的信任函数和似然函数对多尺度决策系统和广义多尺度决策系统的最优尺度和最优尺度组合特征进行了刻画。用包含度对粗糙集理论中各种类型的下近似进行表示和解释。用相似度和信息熵对模糊信息系统的知识不确定性进行了定量刻画。上述研究成果丰富了粒计算理论，为复杂系统的数据挖掘与知识发现及不确定性分析提供了新的理论和方法，而且对其他应用领域有重要的理论意义和应用价值。