本文關鍵詞：鄰域�；植谟嬎愕年P鍵技術研究與應用

  更多相關文章： 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)學工具,在人工智能、數(shù)據(jù)挖掘、模式識別等領域被廣泛應用。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,國內(nèi)外眾多學者提出了許多Pawlak粗糙集的擴展模型,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�；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。隨著信息技術地不斷進步,數(shù)據(jù)智能處理研究方向的新問題也隨之出現(xiàn)。這為鄰域粗糙集的研究與應用帶來了新的挑戰(zhàn)。例如,在雙論域場景如何構建鄰域粗糙集模型;鄰域�；绞脚c其他�；Ｐ偷牟町愋詰撊绾伪磉_;如何更好地利用鄰域粗糙集解決實際環(huán)境中的新問題中等等。針對這些問題,我們對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方面:(1)面向雙論域結構,提出了雙論域上的鄰域粗糙集模型。同時針對其下近似計算過于嚴格,而上近似逼近程度無法量化描述的問題,提出了變精度的雙論域鄰域粗糙集模型。針對雙論域轉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決策重要度評估方法。(2)針對不同核�；Y構存在差異性的問題,建立了多核�；植诩Ｐ�,詳細討論了模型近似算子的相關性質,并提出基于多核粒化近似質量的屬性對決策重要度評估方法。進一步分析了粗糙集計算可分為�；痛植诒平鼉蓚�步驟,總結了已有研究中多粒度表達都是在粗糙逼近這一階段的現(xiàn)狀,提出了基于粒化的多粒度表達思想,定義了開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決策重要度評估方法,并通過實驗驗證了方法的有效性。(3)傳統(tǒng)的屬性選擇方法只關注屬性個體對決策重要程度卻忽略了屬性個體在屬性子集中的貢獻度。針對這一問題,首先用鄰域熵重新定義屬性的獨立性、相關性和冗余性。進一步結合合作博弈理論,提出基于鄰域熵的屬性貢獻度評估方法,對能夠幫助其他條件屬性提高分類能力的屬性個體給出較高的貢獻度值。在屬性的選擇問題中,考慮了屬性貢獻度和屬性對決策重要度兩方面因素。最后通過實驗分析,驗證了模型的有效性。(4)傳統(tǒng)的偏好挖掘方法很難處理新用戶與新物品同時存在的冷啟動問題。針對這一現(xiàn)狀,提出了基于雙論域鄰域粗糙集的偏好挖掘模型。用鄰域粒子來描述具有相似關系的用戶或者物品,并用雙論域鄰域粗糙集的下近似算子定義了偏好規(guī)則。面向常見的5分評分系統(tǒng),提出了基于評分基線評估的雙論域映射構建方法,通過“正映射”來挖掘代表“喜歡”的正偏好規(guī)則。最后通過實驗驗證了區(qū)分正、負映的合理性,并討論了模型參數(shù)的選擇問題。實驗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題�？傮w來說,本文從鄰域�；袜徲虼植诒平鼉煞矫鎭硌芯苦徲虼植诩Ｐ�。在鄰域�；矫�,提出了容差鄰域熵和多粒度熵相概念,并用熵來刻畫了屬性的對決策的重要度和在屬性子集中的貢獻度,最后將這種基于熵的屬性評估方法應用于屬性選擇問題。在鄰域粗糙逼近問題研究中,我們我們討論了使用多核�；陆扑阕觼矶x屬性對決策重要度的問題,并將雙論域鄰域粗糙集模型應用于偏好挖掘問題。
【關鍵詞】：鄰域粗糙集 多粒度熵 屬性選擇 偏好挖掘
【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：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 本論文的結構安排25-27
• 第二章 基礎理論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系討論32-33
• 2.4 基于粗糙集模型的屬性評估方法33-34
• 2.5 偏好挖掘主要方法34-36
• 2.6 本章小結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 關于雙論域轉單論域問題的一些討論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 屬性對決策的重要度評估49-50
• 3.4 本章小結50-51
• 第四章 多核�；植诩投嗔６褥�51-76
• 4.1 引言51-52
• 4.2 多核粒化粗糙集模型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�；�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 相關性質57-60
• 4.2.2.3 近似質量和屬性重要度60-62
• 4.3 粒化的多粒度表達62-64
• 4.4 多粒度熵64-74
• 4.4.1 基本定義64-65
• 4.4.2 相關性質65-67
• 4.4.3 基于多粒度熵的屬性評估67-68
• 4.4.4 實驗68-74
• 4.5 本章小結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、獨立與冗余76-78
• 5.3 屬性評估的合作博弈78-81
• 5.4 實驗81-90
• 5.4.1 實驗一：NECGT-SIGFD vs. SIGFD82-86
• 5.4.2 實驗二：NECGT vs. Co FS86-90
• 5.4.3 關于實驗的開放性問題討論90
• 5.5 本章小結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 基礎理論回顧92-93
• 6.3 數(shù)據(jù)模型與基線評估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 實驗99-107
• 6.5.1 實驗一：偏好規(guī)則的含義與推薦99-101
• 6.5.2 實驗二：參數(shù)討論101-106
• 6.5.3 實驗三：NRSTU vs RSTU106-107
• 6.6 本章小結107-108
• 第七章 總結與展望108-110
• 7.1 全文總結108
• 7.2 后續(xù)工作展望108-110
• 致謝110-111
• 參考文獻111-120
• 攻讀博士期間論文發(fā)表情況120-121

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

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

，

本文編號：1115483