基于公理模糊集和粒计算的多元动态数据的知识发现与语义表示

In the internet and big data age, it is necessary to realize the value of data by discovering knowledge with semantic representation. Multi-dimension, nonlinearity, uncertainty and dynamics of multivariate data are the severe challenge with which knowledge discovery and semantic representation are confronted. Imitating human extract knowledge represented by natural language from dynamic data, under the framework of Axiomatic Fuzzy Sets (AFS) and granular computing this project plans to study dynamic mode based time window segmentation algorithms. Then, after forming information granules and semantic representation of data in every time window and establishing hierarchical structure and measurement, we merge information granules and semantic representation in different time windows into a unified information granules space. Further, fuzzy rules of information granules space are extracted, and redundant and conflicted rules are eliminated and reduced to form semantic knowledge. At last, we apply semantic knowledge to analyze, forecast and control practical systems to verify effectiveness and practicality. According to the mechanism that human process complex dynamic data information, AFS and granular computing based new theories and methods to study knowledge discovery and semantic representation are formed, which will not only realize the value of data but also achieve effective analysis, forecast, decision-making and control of complex dynamic systems.

在互联网和大数据时代，从动态数据中发现具有语义表示的知识是实现数据价值不可或缺的。多元动态数据的多维度、非线性、不确定性和动态性是知识发现与语义表示所面临的严峻挑战。本项目拟在公理模糊集和粒计算框架内，借鉴人类运用粒计算思想从动态数据中提取用自然语言表示知识的方法，研究基于动态模式的时间窗分割算法；给出每个时间窗内数据的信息粒化及其语义表示，建立层次结构和度量，融合不同时间窗内的信息粒及其语义形成信息粒空间；提取信息粒空间的模糊规则，消除冗余和矛盾规则，形成具有语义表示的知识；将语义表示的知识应用实际系统的分析、预测和控制来验证有效性和实用性。进而，将人类处理复杂动态数据信息的机理形成以公理模糊集和粒计算为基础的多元动态数据的知识发现与语义表示新的理论和方法，实现数据价值并对复杂动态系统进行有效的分析和预测、合理决策和控制。

为充分挖掘数据价值并对复杂动态系统进行有效的分析和预测、合理的决策和控制，迫切需要从动态数据中提取具有语义表示的知识，而多元动态数据的多维度、非线性、不确定性和动态性是实现知识发现与语义表示所要克服的几个关键性因素。本项目主要的研究内容是在公理模糊集(研究处理模糊不精确性和随机不确定性的理论)和粒计算的框架中，运用粒计算的思想借助于动态数据形成用自然语言表示知识的方法，提取信息粒空间的模糊规则，消除冗余和矛盾规则，形成具有语义表示的知识，将语义表示的知识应用于实际系统的分析、预测和控制来验证有效性和实用性。进而，将人类处理复杂动态数据信息的机理形成以公理模糊集和粒计算为基础的多元动态数据的知识发现与语义表示的新理论和方法。本项目提出了一系列新的模糊聚类算法、分类算法和模糊规则提取算法，并且研究了大规模数据中的模糊规则提取方法。此外，提出了基于多维数值数据直接构建粒模糊模型的分层方法。对时间序列的（区间）预测、分割等问题进行研究，并取得了一些可应用于数据可解释性建模、动态数据的分析和解释等方面的重要成果。本研究成果在基于数据驱动的控制、人工智能等方面也具有重要的理论意义和应用价值。