混合動態(tài)信息系統(tǒng)中的高效知識更新算法研究.pdf

1、隨著互聯(lián)網(wǎng)和物聯(lián)網(wǎng)等技術的發(fā)展，各種應用系統(tǒng)都積累了海量、不同類型的復雜數(shù)據(jù)，而這些數(shù)據(jù)隨著時間的推進急劇地增加而形成海量、混合動態(tài)且具有較大不確定性的大數(shù)據(jù).企業(yè)的核心競爭力已經(jīng)逐漸轉(zhuǎn)移到大數(shù)據(jù)中價值的挖掘中來.但是，人們發(fā)現(xiàn)在這種混合動態(tài)的大數(shù)據(jù)中實時準確地發(fā)現(xiàn)稀疏存在的有價值知識越來越困難.因此，如何實時有效地從這樣海量、動態(tài)、多類型混合數(shù)據(jù)中完成知識發(fā)現(xiàn)已經(jīng)成為機器學習和數(shù)據(jù)挖掘等領域的研究熱點.
　　目前，粗糙集理論和模

2、糊集理論是知識發(fā)現(xiàn)的兩大重要數(shù)學工具.粗糙集理論將知識理解為對數(shù)據(jù)的劃分，每一劃分塊即一個概念，其主要思想就是利用知識庫中已知的知識去描述模糊或不確定的知識.模糊集理論是一種用隸屬度這一精確的數(shù)學語言對模糊性進行描述的方法，應用模糊集理論來解決問題具有較強的魯棒性.粗糙集理論的優(yōu)勢在于它不需要任何的先驗信息，而模糊集理論處理不確定性問題時常常需要一些附加信息.單純地使用粗糙集理論未必能完全有效地描述不精確或不確定性問題，將兩者有機地融合

3、以便發(fā)揮各自的優(yōu)勢，就會得到更具表達力的粗糙模型，即粗糙模糊集模型和模糊粗糙集模型.本文將混合信息系統(tǒng)分為數(shù)值型決策信息系統(tǒng)、符號型模糊決策系統(tǒng)和一般混合信息系統(tǒng)三種類型，選擇適合處理混合數(shù)據(jù)的粗糙模糊集和模糊粗糙集方法并進行必要的擴展，結(jié)合增量更新技術，研究了混合數(shù)據(jù)類型的動態(tài)信息系統(tǒng)的知識更新問題.本文的研究工作包含以下四個方面:
　　首先，本文討論符號型模糊決策系統(tǒng)中對象變化情形下的增量更新近似集方法.其中，先討論對象集變化

4、時引起粗糙模糊集等價關系變化的機理;分析對象集動態(tài)變化時粗糙模糊集模型中模糊概念的近似集增量變化性質(zhì)，并研究相應的近似集增量更新算法.
　　然后，針對一般混合信息系統(tǒng)，首先設計可以同時處理符號、數(shù)值、布爾、集值、區(qū)間值、缺失值、文本、圖像、視頻、音頻、傳感信號等多種數(shù)據(jù)類型的兩種混合距離度量公式;并結(jié)合高斯核函數(shù)設計高斯核模糊等價關系的模糊?；椒?，進而設計基于混合距離的高斯核模糊粗糙集模型;討論對象集增刪情形下模糊等價關系以及模

5、糊?；?guī)律;結(jié)合基于混合距離的高斯核模糊粗糙集模型研究對象集動態(tài)變化條件下概念上、下近似集的增量更新方法.
　　此外，討論屬性集變化時一般混合信息系統(tǒng)中模糊等價關系以及模糊?；?guī)律;結(jié)合基于混合距離的高斯核模糊粗糙集模型提出了屬性集動態(tài)變化條件下概念上、下近似集的增量更新方法;根據(jù)這些更新方法應用于前向貪心搜索策略的特征提取中提出基于模糊粗糙集的增量特征提取原理和算法.
　　最后，討論一般性混合信息中屬性值變化情形下的增量近

6、似集更新方法.其中，先討論系統(tǒng)中條件屬性值變化時等價類變化規(guī)律;研究條件屬性值動態(tài)變化時模糊集粗糙模型中概念的近似集增量更新性質(zhì)并提出相應的更新算法;其次，討論了概念的分層?；硪约皼Q策屬性值粗化細化與概念分層?；年P系;分析決策屬性值粗化細化時引起的決策類劃分變化規(guī)律;研究決策屬性值動態(tài)變化時模糊集粗糙模型中概念的近似集增量變化性質(zhì);提出相應的近似集增量更新算法.
　　在上述研究工作中均采用UCI數(shù)據(jù)集進行了實驗評測，實驗結(jié)果