基于高斯云变换的变粒度计算方法研究

Granular computing is an uncertainty information processing method, and has become an important research direction in intelligent information processing field. Words computing, Rough sets and Quiet space are main granular computing models based on fuzzy sets and classical set theory. Granularities selection and optimization is still a difficult problem for granular computing researchers. One of the main contributions of the 2011 annual Turing Award winner, Professor Judea Pearl, is that he took the Bayesian networks and probabilistic methods into artificial intelligence. Based on probability statistic，this research uses Gaussian cloud transformation to study the multiple granularities generation, selection and optimization problem in concept cognition, and tries to solve concept soft clustering, granularity selection automatically. Image segmentation experiments are done to simulate the global priority, the prospect priority and the difference prior. The research will prove a new thought and method for granular computing.

粒计算是模拟人类认知思维过程研究不确定性信息处理的新方法，近年来逐渐成为智能信息处理领域中的一个热点问题。目前粒计算的研究主要围绕以模糊集合和经典集合论为基础的词计算、粗糙集和商空间，而且多粒度概念的选择优化一直是粒计算中的一个难题。2011年度图灵奖颁给将贝叶斯网络和概率方法引入人工智能的朱迪亚教授，再次证明了基于概率统计的不确定性理论和方法的重要性。本项目将以概率理论为基础，将概率统计与概念认知相结合，提出高斯云变换方法，研究人类在概念认知中的多粒度生成、选择和优化过程，尝试解决从数据到概念的软划分、概念粒度和数量的自适应选择、泛概念树构建等难题，并利用图像分割来模拟人类认知过程中的大尺度优先、前景优先和差异性优先，为粒计算提供新的思路和方法。

粒计算是研究和模拟人类从不同粒度、不同层次对事物进行表示、分析和推理的基本方法，近年来成为智能信息处理中一个前沿方向。模糊集、粗糙集、商空间等推动了粒计算的发展，但基于精确的逻辑运算和数值运算模拟人类认知，常常具有局限性。2011年度图灵奖颁给将贝叶斯网络和概率方法引入人工智能的朱迪亚教授，再次证明了基于概率统计的不确定性理论和方法的重要性，云模型是一个以概率统计为基础的双向认知模型。因此，构建基于云模型的粒计算方法，以概率统计为基础，研究概念表示、概念内涵与外延间转换、多粒度概念间的可变粒度计算，是本课题的主要研究目标。主要研究内容和成果包括：.（1）基于条件概率给出了云模型的数学解释以及高斯云的数学定义，证明推导了高阶高斯云的数学性质，创新地提出云模型的熵具有概念粒度的含义，超熵是粒度的不确定性度量，构建了概念含混度衡量一个概念达成共识的程度，深化了云模型的理论基础研究。.（2）针对变粒度计算中多粒度、多概念的自动生成和选择优化、泛概念树自动构建等难题，结合高斯变换（也称高斯混合模型）和高斯云，创新地提出一种多粒度概念抽取方法——高斯云变换，设计实现了高斯云变换算法，并以中国工程院院士群体和ArnetMiner学术网用户等为例进行了实验验证。.（3）用高斯云变换从灰度、颜色等属性的统计信息出发，自适应地进行图像分割，有效发现图像中存在的过渡区，通过云变换策略、概念含混度、概念期望距离等对自然视觉认知中全局优先、前景优先和差异性优先的形式化进行了尝试，最后利用激光熔覆图和无损检测图分割对高斯云变换与其他算法进行相比，证明了高斯云变换在目标数量优化、差异性目标提取等方面具有优势。