粗糙集中基于粒计算的动态知识更新方法研究

摘要

随着现代信息技术的高速发展，不同类型的数据急剧地增加，如何有效及时地从数据的海洋中发现知识是一个迫在眉睫的问题.尤其重要的是，各种应用中的数据不断动态地演化，包括新（旧）的数据不断增加（删除），错误的数据或数据值需要从数据库中修正等，如何在数据的动态变化中及时有效地更新知识是一个重要的研究课题.特别是在大数据或交互式实时应用中，高效地知识发现必不可少.动态知识发现的目标是提高知识发现的效率，以满足不同应用的需要.粒计算理论提供了分而治之和多层次的处理框架，是高效处理大数据行之有效的理论之一.本论文基于粗糙集理论，运用粒计算的思想，对动态知识发现中的若干关键问题进行了研究.本论文的主要研究工作和创新概述如下:
　　1.刻画了对象增加（删除）时变精度粗糙集模型中知识粒度和划分的粒度度量的动态变化规律，阐明了属性值域变化和属性值域不变时其知识粒的变化规律，揭示了知识粒度变大（变小）概念粒度不变，知识粒度变大（变小）概念粒度变大等情况下相对错误分类率的变化机理.给出了论域变化时变精度粗糙集模型中近似集动态更新的原理和算法，采用了UCI公用数据集进行评测并验证了算法的有效性.（第3章）
　　2.提出了一个优势特性关系粗糙集模型，可用来同时处理不完备和有序信息.给出了不完备决策信息系统中属性值向上（向下）多层（单层）粗化细化的定义，刻画了在不同层次和方向属性值的粗化与细化条件下优势类和劣势类的动态变化机理.给出了属性值域变化时优势特性关系粗糙集中近似集动态更新原理和算法，实验验证了算法的有效性，并阐明了算法的性能与优势类（劣势类）的粒度相关.（第4章）
　　3.定义了经典粗糙集模型中最小辨识属性集，刻画了在完备决策系统中属性值粗化细化时知识粒度及相关各参数的变化机理，揭示了其规则度量的动态变化规律，阐明了等价类的泛化决策与近似集之间的关系.提出经典粗糙集模型中决策特征矩阵的概念，刻画了在属性值粗化细化过程中等价类、等价类的泛化决策、属性重要度和辨识属性等变化规律，由此给出了通过增量更新决策特征矩阵、分配辨识矩阵和最小辨识属性集从而更新规则的原理和算法，实验验证了算法的有效性.（第5章）
　　4.提出信息系统中等价类特征矩阵和特征值矩阵的概念，阐明了属性增加和对象增加对决策粗糙集模型中粒度的影响，根据两者对粒度影响的不同，将对象和属性同时变化的信息系统划分为三个子空间，分别给出了在不同子空间中，粒之间的相互关系以及对等价类特征矩阵的影响及动态更新原理.设计了属性和对象同时变化时基于粒的动态更新决策粗糙集模型中近似集的算法，实验验证了算法的有效性.（第6章）
　　论文的研究工作拓展了粗糙集理论及应用的研究范畴，提出了动态数据环境中基于粒计算的知识增量更新的原理和算法以提高知识发现的效率，对大数据处理的研究具有一定的理论和实践意义.

目录

声明

摘要

符号说明

第1章 绪论

1．1 引言

1．2 知识发现研究现状分析

1．2．1 粒计算理论的研究现状分析

1．2．2 粗糙集及其扩展模型的研究现状分析

1．2．3 基于粗糙集的知识约简研究现状分析

1．2．4 粗糙集中动态知识发现研究现状分析

1．3 本文的研究工作

第2章 预备知识

2．1 经典粗糙集模型

2．1．1 决策信息系统

2．1．2 不可分辨关系

2．1．3 经典粗糙集模型中的近似集

2．2 变精度粗糙集模型

2．2．1 相对错误分类率

2．2．2 变精度粗糙集模型中的近似集

2．3 决策粗糙集模型

2．3．1 条件概率

2．3．2 决策粗糙集模型中的近似集

2．4 优势关系粗糙集模型

2．4．1 优势关系

2．4．2 向上向下合集

2．4．3 优势关系粗糙集模型中的近似集

2．5 分配约简

2．6 粒度度量

2．7 本章小结

第3章 对象集变化时近似集增量更新方法研究

3．1 对象集改变时粒度的变化规律

3．1．1 知识层次树

3．1．2 插入对象时粒度的动态性质

3．1．3 删除对象时粒度的动态性质

3．2 对象集变化时动态更新近似集的原理

3．2．1 增加对象时近似集的更新原理及算法

3．2．2 删除对象时近似集的更新原理及算法

3．3 算法复杂度分析

3．4 实验方案及性能比较

3．4．1 实验方案

3．4．2 实验结果

3．5 本章小结

第4章 属性值粗化细化时近似集增量更新方法研究

4．1 不完备决策系统中的优势关系粗糙集模型

4．1．1 优势特性关系粗糙集模型

4．1．2 不完备决策系统中的知识粒度和信息熵

4．2 优势关系中属性值粗化细化背景及定义

4．2．1 属性值粗化细化的背景

4．2．2 属性值粗化细化的定义

4．3 属性值粗化时近似集的动态更新原理及算法

4．3．1 属性值粗化时近似集的动态更新原理

4．3．2 属性值粗化时近似集的动态更新算法

4．3．3 算例

4．4 属性值细化时近似集的动态更新原理及算法

4．4．1 属性值细化时近似集的动态更新原理

4．4．2 属性值细化时近似集的动态更新算法

4．5 算法复杂度分析

4．6 实验方案及性能比较

4．6．1 实验方案

4．6．2 实验结果

4．7 本章小结

第5章 规则动态更新方法研究

5．1 决策特征矩阵

5．1．1 决策特征矩阵定义

5．1．2 等价类的泛化决策性质

5．2 基于最小辨识属性集的约简生成

5．2．1 最小辨识属性集及其生成算法

5．2．2 属性重要度矩阵

5．2．3 约简的生成

5．2．4 算例

5．3 决策信息系统中属性值粗化细化的定义及性质

5．3．1 属性值粗化细化的定义

5．3．2 属性值粗化细化时决策信息系统的动态性质

5．3．3 属性值粗化细化时决策规则的动态性质

5．4 属性值粗化时规则更新原理及算法

5．4．1 属性值粗化时规则更新原理

5．4．2 属性值粗化时规则更新算法

5．4．3 算例

5．5 属性值细化时规则更新原理及算法

5．5．1 属性值细化时规则更新原理

5．5．2 属性值细化时规则更新算法

5．5．3 算例

5．6 算法复杂度分析

5．7 实验方案及性能比较

5．7．1 实验方案

5．7．2 实验结果

5．8 本章小结

第6章 属性集对象集同时变化时近似集动态更新方法研究

6．1 属性集和对象集同时变化时知识粒度的变化

6．2 属性集和对象集同时变化时基于粒的近似集增量更新方法

6．2．1 等价类特征矩阵

6．2．2 基于粒的近似集更新原理

6．2．3 基于粒的近似集更新算法

6．3 算例

6．4 算法复杂度分析

6．5 实验方案及性能分析

6．5．1 实验方案

6．5．2 实验结果

6．6 本章小结

第7章 总结与展望

7．1 本文总结

7．2 研究展望

致谢

参考文献

攻读博士学位期间发表论文

攻读博士学位期间参与的科研项目