本文關(guān)鍵詞：鄰域�；植谟�(jì)算的關(guān)鍵技術(shù)研究與應(yīng)用

  更多相關(guān)文章： 鄰域粗糙集 多粒度熵 屬性選擇 偏好挖掘

【摘要】：粗糙集作為不確定性分析的重要數(shù)學(xué)工具,在人工智能、數(shù)據(jù)挖掘、模式識(shí)別等領(lǐng)域被廣泛應(yīng)用。經(jīng)典的Pawlak粗糙集模型存在只能夠處理字符屬型數(shù)據(jù)的局限性。近些年來(lái),國(guó)內(nèi)外眾多學(xué)者提出了許多Pawlak粗糙集的擴(kuò)展模型,其中鄰域粗糙集是經(jīng)典粗糙集模型的重要推廣研究之一。它將Pawlak粗糙集的等價(jià)�；绞酵茝V成將相似的元素歸為一族的鄰域粒化方式,由此可以更好地處理字符屬性和數(shù)值屬性共存的數(shù)據(jù)樣本。隨著信息技術(shù)地不斷進(jìn)步,數(shù)據(jù)智能處理研究方向的新問(wèn)題也隨之出現(xiàn)。這為鄰域粗糙集的研究與應(yīng)用帶來(lái)了新的挑戰(zhàn)。例如,在雙論域場(chǎng)景如何構(gòu)建鄰域粗糙集模型;鄰域�；绞脚c其他�；Ｐ偷牟町愋詰�(yīng)該如何表達(dá);如何更好地利用鄰域粗糙集解決實(shí)際環(huán)境中的新問(wèn)題中等等。針對(duì)這些問(wèn)題,我們對(duì)鄰域粗糙集模型做了深入地分析與研究,主要工作包括以下幾個(gè)方面:(1)面向雙論域結(jié)構(gòu),提出了雙論域上的鄰域粗糙集模型。同時(shí)針對(duì)其下近似計(jì)算過(guò)于嚴(yán)格,而上近似逼近程度無(wú)法量化描述的問(wèn)題,提出了變精度的雙論域鄰域粗糙集模型。針對(duì)雙論域轉(zhuǎn)單論域后不完備的信息系統(tǒng),定義了容差鄰域熵并討論了基于容差鄰域熵的屬性對(duì)決策重要度評(píng)估方法。(2)針對(duì)不同核�；Y(jié)構(gòu)存在差異性的問(wèn)題,建立了多核粒化粗糙集模型,詳細(xì)討論了模型近似算子的相關(guān)性質(zhì),并提出基于多核�；瀑|(zhì)量的屬性對(duì)決策重要度評(píng)估方法。進(jìn)一步分析了粗糙集計(jì)算可分為�；痛植诒平鼉蓚�(gè)步驟,總結(jié)了已有研究中多粒度表達(dá)都是在粗糙逼近這一階段的現(xiàn)狀,提出了基于�；亩嗔６缺磉_(dá)思想,定義了開(kāi)放多粒度熵和保守多粒度熵。最后提出了基于多粒度熵的屬性對(duì)決策重要度評(píng)估方法,并通過(guò)實(shí)驗(yàn)驗(yàn)證了方法的有效性。(3)傳統(tǒng)的屬性選擇方法只關(guān)注屬性個(gè)體對(duì)決策重要程度卻忽略了屬性個(gè)體在屬性子集中的貢獻(xiàn)度。針對(duì)這一問(wèn)題,首先用鄰域熵重新定義屬性的獨(dú)立性、相關(guān)性和冗余性。進(jìn)一步結(jié)合合作博弈理論,提出基于鄰域熵的屬性貢獻(xiàn)度評(píng)估方法,對(duì)能夠幫助其他條件屬性提高分類(lèi)能力的屬性個(gè)體給出較高的貢獻(xiàn)度值。在屬性的選擇問(wèn)題中,考慮了屬性貢獻(xiàn)度和屬性對(duì)決策重要度兩方面因素。最后通過(guò)實(shí)驗(yàn)分析,驗(yàn)證了模型的有效性。(4)傳統(tǒng)的偏好挖掘方法很難處理新用戶(hù)與新物品同時(shí)存在的冷啟動(dòng)問(wèn)題。針對(duì)這一現(xiàn)狀,提出了基于雙論域鄰域粗糙集的偏好挖掘模型。用鄰域粒子來(lái)描述具有相似關(guān)系的用戶(hù)或者物品,并用雙論域鄰域粗糙集的下近似算子定義了偏好規(guī)則。面向常見(jiàn)的5分評(píng)分系統(tǒng),提出了基于評(píng)分基線評(píng)估的雙論域映射構(gòu)建方法,通過(guò)“正映射”來(lái)挖掘代表“喜歡”的正偏好規(guī)則。最后通過(guò)實(shí)驗(yàn)驗(yàn)證了區(qū)分正、負(fù)映的合理性,并討論了模型參數(shù)的選擇問(wèn)題。實(shí)驗(yàn)表明了本文模型相比于Pawlak雙論域粗糙集模型更適用于偏好挖掘問(wèn)題。總體來(lái)說(shuō),本文從鄰域�；袜徲虼植诒平鼉煞矫鎭�(lái)研究鄰域粗糙集模型。在鄰域�；矫�,提出了容差鄰域熵和多粒度熵相概念,并用熵來(lái)刻畫(huà)了屬性的對(duì)決策的重要度和在屬性子集中的貢獻(xiàn)度,最后將這種基于熵的屬性評(píng)估方法應(yīng)用于屬性選擇問(wèn)題。在鄰域粗糙逼近問(wèn)題研究中,我們我們討論了使用多核�；陆扑阕觼�(lái)定義屬性對(duì)決策重要度的問(wèn)題,并將雙論域鄰域粗糙集模型應(yīng)用于偏好挖掘問(wèn)題。
【關(guān)鍵詞】：鄰域粗糙集 多粒度熵 屬性選擇 偏好挖掘
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP18
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 緒論12-27
• 1.1 研究背景與意義12-15
• 1.1.1 研究背景12-14
• 1.1.2 研究意義14-15
• 1.2 研究現(xiàn)狀15-23
• 1.2.1 粗糙集的研究現(xiàn)狀15-18
• 1.2.2 鄰域粗糙集的研究現(xiàn)狀18-19
• 1.2.3 基于粗糙集模型的屬性選擇研究現(xiàn)狀19-20
• 1.2.4 偏好挖掘的研究與應(yīng)用現(xiàn)狀20-23
• 1.3 本文的研究思路與創(chuàng)新23-25
• 1.4 本論文的結(jié)構(gòu)安排25-27
• 第二章 基礎(chǔ)理論27-37
• 2.1 Pawlak粗糙集理論27-29
• 2.2 鄰域粗糙集理論29-32
• 2.3 Pawlak粗糙集和鄰域粗糙集的關(guān)系討論32-33
• 2.4 基于粗糙集模型的屬性評(píng)估方法33-34
• 2.5 偏好挖掘主要方法34-36
• 2.6 本章小結(jié)36-37
• 第三章 雙論域鄰域粗糙集模型37-51
• 3.1 引言37
• 3.2 鄰域粗糙集在雙論域上的推廣37-42
• 3.2.1 雙論域鄰域粗糙集37-40
• 3.2.2 變精度雙論域鄰域粗糙集40-42
• 3.3 關(guān)于雙論域轉(zhuǎn)單論域問(wèn)題的一些討論42-50
• 3.3.1 不完備信息系統(tǒng)上的鄰域粗糙集43-46
• 3.3.2 容差鄰域熵46-49
• 3.3.3 屬性對(duì)決策的重要度評(píng)估49-50
• 3.4 本章小結(jié)50-51
• 第四章 多核�；植诩投嗔６褥�51-76
• 4.1 引言51-52
• 4.2 多核�；植诩Ｐ�52-62
• 4.2.1 基本概念52-56
• 4.2.1.1 模糊集和模糊算子52-53
• 4.2.1.2 模糊粗糙集的單核粒化53-54
• 4.2.1.3 多粒度粗糙集模型54-56
• 4.2.2 模糊粗糙集的多核�；�56-62
• 4.2.2.1 多核近似算子56-57
• 4.2.2.2 相關(guān)性質(zhì)57-60
• 4.2.2.3 近似質(zhì)量和屬性重要度60-62
• 4.3 粒化的多粒度表達(dá)62-64
• 4.4 多粒度熵64-74
• 4.4.1 基本定義64-65
• 4.4.2 相關(guān)性質(zhì)65-67
• 4.4.3 基于多粒度熵的屬性評(píng)估67-68
• 4.4.4 實(shí)驗(yàn)68-74
• 4.5 本章小結(jié)74-76
• 第五章 基于鄰域熵的合作博弈屬性選擇模型76-91
• 5.1 引言76
• 5.2 屬性的依賴(lài)、獨(dú)立與冗余76-78
• 5.3 屬性評(píng)估的合作博弈78-81
• 5.4 實(shí)驗(yàn)81-90
• 5.4.1 實(shí)驗(yàn)一：NECGT-SIGFD vs. SIGFD82-86
• 5.4.2 實(shí)驗(yàn)二：NECGT vs. Co FS86-90
• 5.4.3 關(guān)于實(shí)驗(yàn)的開(kāi)放性問(wèn)題討論90
• 5.5 本章小結(jié)90-91
• 第六章 基于雙論域鄰域粗糙集模型的偏好挖掘91-108
• 6.1 引言91-92
• 6.2 基礎(chǔ)理論回顧92-93
• 6.3 數(shù)據(jù)模型與基線評(píng)估93-96
• 6.4 基于雙論域鄰域粗糙集模型的偏好規(guī)則與推薦96-99
• 6.5 實(shí)驗(yàn)99-107
• 6.5.1 實(shí)驗(yàn)一：偏好規(guī)則的含義與推薦99-101
• 6.5.2 實(shí)驗(yàn)二：參數(shù)討論101-106
• 6.5.3 實(shí)驗(yàn)三：NRSTU vs RSTU106-107
• 6.6 本章小結(jié)107-108
• 第七章 總結(jié)與展望108-110
• 7.1 全文總結(jié)108
• 7.2 后續(xù)工作展望108-110
• 致謝110-111
• 參考文獻(xiàn)111-120
• 攻讀博士期間論文發(fā)表情況120-121

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 李德毅,劉常昱,杜瀊,韓旭;不確定性人工智能[J];軟件學(xué)報(bào);2004年11期

，

本文編號(hào)：1115483