基于粒计算的动态知识更新的矩阵方法研究

In this research project, the matrix is used as an expressive tool as well as a solver tool to study the several crucial issues of dynamic knowledge update in information system systematically in order to satisfy the real demand to acquire knowledge effectively and rapidly under the dynamic information system and big data. The detailed contents are as follows. (1) Matrix-based approach for calculation of low-approximations and upper-approximations is researched under the probabilistic rough sets model, the tolerance relation-based rough sets model and the characterized relation-based rough model. (2) On the basis of above research work the mechanism of dynamic knowledge acquisition and maintenance are analyzed from the view of matrix, aimed to the three kinds of variation for granule in information system, the approaches for incremental updating the approximations of a concept under the aboveed rough sets model are discussed respectively , the corresponding matrix algorithms are constructed. (3) The further research that the aboved matrix-based incremental approach is applied in big data fields will be done under the MapReduce model which is a parallel programming pattern to deal with big data. The researches on a few key issues in the dynamic knowledge update of information system not only can provide a new method for dynamic knowledge update in information system from the matrix’s pespective, but also can enrich the exsiting theory of knowledge update. Furthermore, the research can provide the new theoretical ground for constructing the Granular Computing model of dynamic data processing, and it is hopeful to provide a feasible method for knowledge acquisition from big data.

本项目依据信息系统动态变化的现实条件下快速、有效获取动态知识的实际需求，用矩阵作为表示和运算工具系统地研究信息系统动态知识发现中的若干关键问题。研究内容包括三部分：(1)用矩阵方法研究概率粗糙集模型、容差关系粗糙集模型和特性关系粗糙集模型下概念近似集的计算方法。(2) 从矩阵视角对动态知识更新和维护的机理进行分析；针对信息系统粒度变化的三种类型，用矩阵方法系统研究上述三种粗糙集模型中概念近似集的增量式更新方法并构造相应的矩阵算法。(3)运用处理海量数据的并行编程模式MapReduce进一步探讨信息系统动态知识更新的增量式矩阵方法在大数据背景下的应用。开展基于矩阵的信息系统动态知识发现中若干关键问题的研究，不仅可从矩阵的视角为信息系统的动态知识更新提供新方法，而且可丰富现有知识更新理论的内容；进而为动态数据处理的粒计算模型的构建提供新的理论依据；可望为大数据背景下的知识获取提供可行的方法。

在信息系统动态变化的环境下，以矩阵作为表达和计算工具去探索基于粒计算的动态知识更新是一种有效和可行的研究方法。本项目以矩阵为工具在粗糙集扩展模型中（主要涉及到概率粗糙集模型、优势关系粗糙集模型）研究了信息系统动态知识更新中的一些关键问题。主要进行了如下的研究工作：.1. 在经典的Pawlak粗糙集模型中已取得的运用矩阵计算论域子集（概念）粗糙集上、下近似方法的基础上，将其推广至概率粗糙集模型、优势关系粗糙集模型中。在变精度一致优势关系粗糙集模型中针对优势决策表中决策类向上、向下联合集的概念，提出计算其上、下近似集的矩阵方法及其相应的算法以及算法在UCI数据集上的实验验证。实验结果表明了矩阵（列向量）在表达和计算方面的优越性。.2. 在信息系统属性集、属性值发生各自发生变化的条件下，探讨了变精度（概率）粗糙集模型中基于矩阵的动态知识更新的机理、研究了近似集增量更新的矩阵（向量）方法、构建了相探讨应的算法。重点研究内容是当信息系统中发生属性的增删时或者发生属性值的粗化细化时，关系矩阵的增量更新研究。UCI数据集上的测试结果表明增量式矩阵（向量）更新方法在上、下近似集更新方面是有效和可行的。.3. 三支决策是人类问题解决和信息处理的一种高效的模式。针对对象集随时间变化而引起的概念上、下近似集的变化及其由此导致的知识和规则的相应变化，本项目从矩阵的视角并运用三分而治的方法在优势关系粗糙集模型中对动态知识的增量式更新进行了系统的研究。分析了优势粗糙集模型中决策类向上、向下联合集中上、下近似集的动态知识更新的方法。进而构建了两种增量式更新近似集的算法并在MATLAB平台上予以实现。在UCI数据集上的测试表明了矩阵（列向量）增量式更新方法在动态知识更新和维护上呈现出的良好性能—直观、简洁和有效。.4. 运用处理海量数据的并行编程模式MapReduce初步探讨了信息系统动态知识更新的增量式矩阵方法在大数据背景下的应用，提出了基于DOT的并行计算模型。