概念格的内涵缩减研究

利用概念格作为属性约简的数据模型,对概念格上的父子关系和内涵属性来源进行了分析:在概念格中任意若干个概念如果存在共同的子概念,那么只存在一个共同的子概念;概念的属性有两种来源,其一是继承的父节点的属性,其二是概念细化过程中增加的属性。相应地提出了两条内涵缩减的规则:如果一个节点只有一个父节点,那么其内涵缩减来源于它的内涵与父节点内涵的差集;如果一个节点有两个或两个以上的父节点,那么其内涵缩减来源于任意两个父亲节点属性的并集。然后对两条规则进行了证明,并设计了计算内涵缩减的算法。     

概念格节点的内涵缩减及其计算

首先给出了概念结点的内涵缩减的形式化定义,然后,提出并证明了几个相关的定理,以此作为基础,设计出内涵缩减集计算的方法,最后,简要说明了基于内涵缩减的蕴含规则提取。     

基于概念格的关联规则发现

关联规则是数据库中有价值的一类规律,国内外学者已经对它进行了广泛的研究,由二元关系导出的概念格作为一种非常有用的形式化工具,体现了概念内和外延的统一,反映了对象和特征间的联系以及概念的泛化与例化关系,因此非常适于发现数据中潜在的概念。本文报概念格的关联规则提取之间的关系,根据需要对格结构进行了相应的修改,提出了概念格结点内涵缩减概念,给出了相应的渐进式生成算法和基于概念格的关联规则提取算法,并通过     

基于概念格的语言真值不确定性推理*

利用概念格来实现不确定性推理的过程中,给出了一个具体的语言真值格蕴涵代数的完备结构;作为概念格的扩充理论,提出了用于处理不确定性信息的语言真值概念格,并基于语言真值概念格给出了内逼近不确定性推理规则和外逼近不确定性推理规则,进而验证了这两种规则的还原性。     

紧致依赖与内涵亏值

提出了"内涵亏值"与"紧致依赖"的概念,证明了由"紧致依赖"组成的依赖基对于"左部加属性、右部减属性"这一规则的公理系统是无冗余而完整的.由此发现了除Guigues-Duquenne基以外还有其他无冗余完整依赖基,改变了只有唯一的一个无冗余完整依赖基的传统观念,揭开了寻找多种无冗余完整依赖基以满足多样化需求的序幕.     

基于概念格中紧致依赖的空间数据挖掘方法研究

解决空间数据挖掘的关联规则提取问题。通过应用GIS(Geographic Information System)即地理信息系统,获得空间数据信息,并将空间数据构造概念格,使空间数据和概念格的形成、分析过程统一起来。以"紧致依赖"方法作为主要数据挖掘手段,并在此基础上提出一种基于Apriori剪枝的"紧致依赖"约减方法,从而方便快捷找出满足支持度阈值并且置信度为1的所有关联规则。     

两类概念格的依赖空间理论

对象定向概念格和属性定向概念格是经典概念格的两种推广模型。首先,利用对象幂集上的一对对偶近似算子分别定义了对象定向概念格和属性定向概念格上的同余关系。其次,分别基于两类同余关系构造了一个内部算子和一个闭包算子,并研究了内部算子与对象定向概念格的关系以及闭包算子与属性定向概念格的关系。最后将对象(属性)定向概念格之间的关系转化为相应的同余关系之间的关系。     

属性依赖规则在概念格构建中的应用

在实际形式背景中,属性依赖关系的存在是不可避免的。因此,研究把属性依赖规则应用于概念格构建中是有意义的。通过对属性依赖规则表示和约简的定义,描述了一种新的构建概念格的方法,即把形式背景和约简后属性依赖规则作为输入数据,同时考虑其属性蕴含关系,从而在不需要构建整个概念格的情况下,产生基于属性依赖规则的概念格。其目的在于加快概念格的产生,使其在满足属性依赖规则的情况下,构建概念层次,发现潜在的信息。     

约简概念格的维护

扩展概念格是在Galois格中引入内涵等价关系而得到的一种扩展形式，基于这种结构可以更简地表示知识，并能方便地获取等价规则、蕴涵规则，特征规则、不确定规则等。约简格是扩展概念格的一种更简洁的表示，能方便，有效地应用于大规模数据库的知识表示，本文介绍了约简格的有关概念和性质，讨论了它的构造方法及其维护。     

基于内涵亏值的概念格渐进式构建

为了避免构建概念格时的繁琐过程,提高概念格构建的效率,提出了一种基于内涵亏值通过查找顶元素来快速渐进式生成概念格的新方法。首先,形式化地定义了顶元素、旧概念、产生概念、新概念、产生子概念、内涵亏值集合、剩留父概念、超集删除与正则队列;提出了概念格元素是否为顶元素的判定定理并给出了其证明;其次,在原概念格的正则队列中依次取概念元素,经超集删除后得到剩留父概念;最后,从剩留父概念查找其所在等价类的顶元素,逐步生成新概念格的正则队列。理论分析时间复杂度较基于属性的渐进式概念格生成（CLIF_A）算法与FastAddIntent算法有效降低,在实验例证对比中,概念数目大于150时,所用时间远少于对比算法。实验结果表明该算法方法简单,构建效率较对比算法明显提高。     

基于概念格的最简规则挖掘算法

概念格是知识处理和数据分析的重要数学工具.概念格快速构造算法对挖掘关联规则非常重要.本文构造了决策表对应的形式背景和概念格模型,分析了扩展不可分辨矩阵、概念格和最简决策规则发现之间的关系:概念格的内涵都来自于扩展不可分辨矩阵的特征元,最简决策规则的条件元一定是概念格某个结点的内涵缩减.本文给出了形式概念格的快速渐进式构造算法和基于概念格的最简规则获取算法,该算法直观简捷.最后以一个工程实例对本算法的有效性作出了证明.     

一种频繁加权概念格的批处理构造算法

概念格是知识表示和数据分析的一种有效工具,加权概念格是一种刻画内涵重要性的概念格结构。文中通过引入虚结点的概念,提出一种频繁加权概念格的批处理构造算法。该算法首先通过引入虚结点概念,证明频繁加权概念格是一个完全格,从而纠正先前张继福提出的频繁加权概念格结构中某些频繁加权概念结点不存在上下确界的缺陷。其次,采用自底向上的方法来生成频繁结点和虚结点,以及对应的边关系,从而降低频繁加权概念格构造的时空复杂性,提高批处理构造效率。最后在恒星光谱数据上的实验验证算法的正确性和有效性。     

基于属性链表的关联规则格的渐进式构造算法

作为数据挖掘核心任务之一的关联规则发现已经得到了广泛的研究。而由二元关系导出的概念格则是一种非常有用的形式化工具,非常适于发现数据中潜在的概念。分析了概念格与关联规则提取之间的关系,根据需要对格结构进行了相应的修改,提出了关联规则格的概念,并提出属性链表这种数据结构,基于这种链表提出了关联规则格的渐进式构造算法。通过对算法进行分析,得出了比Godin算法更好的时间效率。     

双序渐进式概念格合并算法

针对传统的概念格合并算法仅为单向的纵向或横向合并,提出一种基于概念内涵、外延升降序的双序渐进式合并算法。按照概念的内涵或外延的升序和降序,从两个方向(由上到下和由下到上)同时进行子概念格的纵向或横向合并。算法分析和示例结果表明,该算法不仅在结构上较好地保留了原有信息,而且在效率上也获得了显著的提高。     

概念格与关联规则发现

作为数据挖掘核心任务之一的关联规则发现已经得到了广泛的研究。而由二元关系导出的概念格则是一种非常有用的形式化工具。它体现了概念内涵和外延的统一,反映了对象和特征间的联系以及概念间的泛化与例化关系,因此非常适于发现数据中潜在的概念。分析了概念格与关联规则提取之间的关系,根据需要对格结构进行了相应的修改,提出了相应的渐进式生成算法和基于概念格的关联规则提取算法,通过定理和性质对算法进行了说明并对关联规则进行缩减。最后对格结构的复杂性进行了讨论并给出了相应的实验结果。     

一种新的概念格结构——区间概念格

对经典概念格、粗糙概念格的分析表明,其概念外延或者具有全部属性,或者只具备一个属性,从而造成所提取关联规则支持度和可信度严重下降。为此提出一种新的概念格结构——区间概念格Lαβ(Mα,Mβ,Y),其概念外延是区间[α,β](0≤α≤β≤1)范围内满足内涵属性的对象集。证明了当α=β=1时,区间概念格退化为经典概念格;当β=1,α>0时,区间概念格退化为粗糙概念格;其次,给出了区间概念格中概念度量的精度、覆盖度等概念,并给出了相关性质;接着,证明了区间概念格具有的一些独特性质;然后,初步给出了构造区间概念格的方法;最后,通过实例证明了区间概念格提出的必要性和实用性。     

基于概念格的多层属性约简方法

属性约简是粗糙集理论中的核心问题之一,概念格是进行知识表示和数据分析的一种有效工具。文中利用概念格作为约简工具,给出基于概念格的多层属性约简算法,提出相融可辨概念、相融等价概念、亏n级等概念,研究内涵亏值对分类能力变化产生的影响,给出概念格中形式背景约简的判定定理。文中算法能完备地求出所有可约简的最大属性集合,从而为概念格中属性约简提供一种有效方法。最后,通过实例分析和实验对比说明该约简算法的可行性与有效性。     

约简概念格的纵向维护算法

该文首先介绍了概念格的有关术语,重点讨论了已构造好的概念格在属性删减时如何维护的问题,并以约简概念格为例,给出了一种有效的维护算法。     

概念知识表示和推理

Nilsson教授首先提出了代数格应用于概念知识表示的思想．其优点在于知识表示的代数特性和图示特性，在此基础上．表文把代数格与PROLOG相结合．定义了一种基于概念的逻辑编程语言．其语言具有比PROLOG更抽象、更方便的编程风格．此外．给出了该逻辑编程语言的匹配算法．     

加权概念格及其渐进式构造

概念格是数据分析与知识提取的有效工具.为了充分利用其进行数据分析和知识提取,本文通过对概念格的内涵引入权值,提出一种加权概念格,拓广了概念格的结构.同时由用户设立概念格内涵的最小阈值,构造了一种频繁加权概念格,并由此给出了频繁加权概念格的构造算法及其分析.最后,通过实例说明其是有效可行的.