面向GPU云的粗糙集粒度融合方法和应用研究

Rough set is a basic theory of big data, artificial intelligence and deep learning. We will research the GPU cloud oriented rough set-based granulation fusion theories and its applications in this project. Firstly, a novel rough set model will be built by fusion of clear granulating and fuzzy granulating. The decision making can be supported by a cluster of neighborhoods in the precondition of fuzzy granulation. It can deal with the problem of clear granulation in the view of fuzzy granulation and the noise impact on fuzzy granulation. Secondly, a GPU cloud oriented adaptive method of rough set will be discussed in detail. The workloads of rough set are distributed in a disequilibrium way in which the GPU cloud is integrated with public and private cloud. It can solve the problem of energy-extensive consumption and inefficiency of crossing AZ domain. Thirdly, we will propose a feature selection method for multi-modal data based on the multi-granulation expression. We allocate different granularities and deep networks to the voice, image and text data. The multi-modal data will be extracted in one data plane by using the GPU cloud. Then we can select the optimal subset of features. It is a new solution of feature selection of multi-modal data.

粗糙集理论是大数据、人工智能、深度学习等领域研究的基础数学方法。本课题研究面向GPU云的粗糙集粒度融合理论和应用方法，提出了清晰粒化和模糊粒化相融合的粗糙集模型，使信息粒能够被模糊刻画的前提下，决策也能够得到一簇邻域粒子的支撑，解决了清晰粒化方法无法表达模糊性而模糊粒化方法受噪声影响较大的问题；提出了面向GPU云的粗糙集模型适配方法，平台集成了GPU公有云和私有云，粗糙集计算负载以“不均衡”的方式打散在云中，解决了跨AZ的GPU云能耗较高而计算效率较低的问题；提出了基于多粒度表达的多模态数据特征选择方法，为声音、图像、文字等不同模态数据分配与之匹配的粒度和深度网络，依靠GPU云的深度学习能力将多模态数据抽象到同一数据平面，进而选择最优的特征子集，为多模态数据特征选择提供了新的解决方案。

本课题面向人工智能、深度学习等领域，研究粗糙集粒度融合理论和应用方法，具体分为基础模型、模型适配和模型应用三方面研究内容。首先，设计了邻域核粒化粗糙集模型，分析了模型的相关性质和定理，探讨了模型融合了清晰粒化和模糊粒化的优点，特征选择实验结果表明本课题模型效果要优于单一的清晰粒化和模糊粒化；其次，总结了传统粗糙集和GPU加速计算的相关基础理论，提出了基于GPU加速的粗糙集计算方法，其中对象排序、等价类计算、上（下）近似计算三个关键环节均采用了并行GPU加速方法，实验结果表明本研究中的方法大大提高了粗糙集模型的计算效率；最后，讨论了在辅助驾驶、安检图像识别等领域的应用方法，实验结果表明相关识别精度均有一定提高。课题组在基础模型研究方面发表SCI论文1篇，模型适配研究方面发表SCI论文1篇，模型应用研究方面已录用中文核心论文2篇；申请发明专利3项，其中1项已获得授权。