基于多伴随粒计算的知识获取方法研究

Granular computing is a new theory, technology and tool to simulate human thinking problem of natural patterns in solving large-scale complex problems. It is a very active research direction in the field of intelligent information processing. The main idea of this theory is to use information granules in the process of problem solving. And it describes the real world and solves problem from different angles and different levels. This project systematically studies knowledge acquisition and information fusion via granular computing based on multi-adjoint triples. The contents include: (1) Granular computing model based on multi-adjoint triples; (2) Information fusion in the framework of multi-adjoint granular computing; (3) Uncertainty analysis in multi-adjoint granular computing; (4) Attribute reduction and rule acquisition in fuzzy and multi-model data based on multi-adjoint granular computing. The research results of this project will provide new theories and methods of data mining and uncertainty analysis for complex systems. It can not only enrich the theory of granular computing and information fusion, but also have extensive application values in the fields of information processing, machine learning and so on.

粒计算是在解决大规模复杂问题求解过程中模拟人类思考问题自然模式的新的理论、技术和工具，是目前智能信息处理领域一个非常活跃的研究方向。其基本思想是在问题求解过程中使用信息粒，从不同角度、不同层次上对现实世界问题进行描述、推理与求解。本项目拟将多伴随概念引入到粒计算理论与应用研究之中，系统研究基于多伴随对的粒计算的知识获取与信息融合理论与方法，发展多伴随框架下的不确定性分析理论与特征选择算法。主要内容包括：(1) 基于多伴随对的粒计算模型研究；(2) 多伴随框架下基于粒计算的信息融合；(3) 多伴随粒计算的不确定性分析研究；(4) 基于多伴随粒计算的属性约简与规则提取，粒计算在模糊与多模态数据分析等方面的应用。本项目的研究成果不但能够丰富粒计算与信息融合理论，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，而且在信息处理、机器学习等方面有广泛的应用价值。

粒计算是在解决大规模复杂问题求解过程中模拟人类思考问题自然模式的新的理论、技术和工具，是目前智能信息处理领域一个非常活跃的研究方向。其基本思想是在问题求解过程中使用信息粒，从不同角度、不同层次上对现实世界问题进行描述、推理与求解。本项目把多伴随概念引入到粒计算理论与应用研究之中，系统研究了基于多伴随对的粒计算的知识获取与信息融合理论与方法，发展了多伴随框架下的不确定性分析理论与特征选择算法。主要研究成果包括：提出了基于多伴随对的粒计算模型，对于论域具有多种不同代数结构的情形，给出了粗糙近似算子的构造与公理刻画。在直觉模糊环境下，构造了多伴随直觉模糊粗糙集，建立了相应的三支决策模型。在多粒度近似空间上，提出了变精度多粒度决策粗糙集，分析了精度和邻域对特征子空间的影响，引入了局部加权精度和局部似然比两个指标计算粒度权重。针对不同的样本可能更偏好不同的粒度问题，提出了一种动态粒度选择方法DGS-LWA-LLS，并给出了特征子空间的集成算法。利用多种信息粒，构建了多尺度概念格和双子集内涵概念格，得到了不完备决策形式背景属性约简的判定方法。研究了多源信息系统中不确定性数据的信息融合和数值特征，得到了多源不一致决策信息系统基于决策集的条件mass函数的融合算法，给出了获得最优决策和置信水平的方法。基于集值信息系统上的拟序关系，研究了集值决策表的合成问题，讨论了合成集值决策表的三支决策问题。提出了一种多粒度决策系统的双参数不确定性测度，定义了保持正域和负域中对象的决策不变的决策系统约简。研究了基于边界的粗糙集模型，并给出了近似空间的不确定性度量。提出了一种新的直觉模糊集的相似性度量，由此构造了直觉决策理论粗糙集模型和多粒度直觉决策理论粗糙集模型。基于所有概念外延定义了形式背景的粗糙熵，提出了形式背景的粗糙熵约简，基于属性重要度设计了计算粗糙熵的启发式算法。用Shannon熵定义了分类的一致性，给出了测量两个数据集一致性的新方法。基于多伴随和证据理论，得到了直觉模糊信息系统的多准则群决策方法。设计了一种基于图论的计算信息系统最小约简的近似算法。提出了一种学习标签相关性的方法，并将其应用于多标签数据的特征选择中。本项目的研究成果丰富和发展了粒计算与信息融合理论，为复杂系统的数据挖掘及不确定性分析提供了新的理论和方法，在信息处理、机器学习等方面也具有广泛的应用价值。