本文選題：粗糙集 + 覆蓋近似空間�。� 參考：《湖南大學》2016年博士論文

【摘要】：大數據中的信息系統(tǒng)是近幾年信息領域研究的主要對象之一,因其數據量巨大的特點使得傳統(tǒng)方法難以快速,實時的響應用戶的計算要求.同時,在信息系統(tǒng)中進行知識發(fā)現(xiàn),規(guī)則提取是實現(xiàn)人工智能,數據挖掘,決策預測的重要步驟.粗糙集和模糊集作為解決不確定性問題的兩大理論工具已在其中取得了一定的成果,然而現(xiàn)實生活中多樣化的數據類型,復雜的關系結構,頻繁快速的信息更新都迫使這些理論必須進一步擴展才能滿足要求.覆蓋粗糙集作為Pawlak粗糙集的擴展之一,當信息系統(tǒng)中有缺失值時仍能保持系統(tǒng)中知識的完整性,從而在現(xiàn)實應用中廣泛被使用,但面對大數據時如何快速計算上、下近似和約簡仍然是棘手的問題.信息系統(tǒng)的同態(tài)在保持了兩個信息系統(tǒng)之間等價特性的同時,可獲得一個相對原系統(tǒng)較小的鏡像系統(tǒng),這為解決大數據下信息系統(tǒng)中的計算問題提供了一個新思路.本文以覆蓋粗糙集和信息系統(tǒng)同態(tài)為理論依據,結合信息系統(tǒng)動態(tài)變化的特性為背景,使用增量算法為工具,針對大數據下信息系統(tǒng)中的知識發(fā)現(xiàn)和約簡問題展開了研究,并取得了以下成果：(1)系統(tǒng)的分析了覆蓋粗糙集中多個上、下近似算子,總結了基于集合理論的各算子之間的關系,給出了基于特征矩陣的兩類上、下近似算子的定義及運算規(guī)則.分別給出了基于集合理論和特征矩陣計算第二型、第六型上、下近似的非增量算法.系統(tǒng)分析了覆蓋信息系統(tǒng)的動態(tài)變化特性,給出了幾種基本的動態(tài)覆蓋近似空間.(2)研究了動態(tài)覆蓋近似空間中屬性值變化時的動態(tài)特性,分析了特征矩陣相應的變化情況,給出了快速計算上、下近似的方法并設計了相應的增量算法.通過程序隨機生成的覆蓋近似空間對算法進行了驗證,實驗結果證明了增量算法相對非增量算法有較好的效率.給出了一個實例說明了快速計算上、下近似給約簡帶來的便利.(3)研究了對象增加,減少時對覆蓋近似空間的影響,給出了特征矩陣的變化情況及快速計算上、下近似的方法.為更好的與其他近似算子對比,進一步給出了基于集合理論和基于特征矩陣第二型、第六型上、下近似的增量算法.采用UCI和隨機數據集兩種方式,設計了數值實驗進行了對比分析,不僅給出了基于特征矩陣的非增量算法優(yōu)于基于集合理論的非增量算法的實驗結果,還進一步證明了基于特征矩陣的增量算法是相對于其他算法來說是最優(yōu)的.(4)基于信息系統(tǒng)同態(tài),在模糊關系信息系統(tǒng)中進一步研究了相容函數的性質,給出了最大相容函數的定義與其他相容函數之間的關系,并設計了構建同態(tài)的非增量算法.分析了信息系統(tǒng)動態(tài)變化時當增加或刪除模糊關系后同態(tài)的變化特性,給出了利用原同態(tài)快速構建新同態(tài)的方法,并設計了相應的增量算法來實現(xiàn)動態(tài)壓縮.實驗采用了隨機的大數據集對算法進行了驗證,得到了較好的實驗結果.本文基于粗糙集,模糊集理論,采用增量計算的方法,分別從覆蓋近似空間和信息系統(tǒng)同態(tài)兩個角度對大數據下信息系統(tǒng)中的知識獲取,不確定性計算問題進行了研究,給出的增量算法為信息系統(tǒng)中的實際應用難題提供了解決思路,所完成的相關數值實驗也為本工作提供了有力的支撐.
[Abstract]:The information system in large data is one of the main objects in the field of information in recent years . Because of its great amount of data , it is difficult for the traditional method to respond to the user ' s computing requirement quickly and in real time . Based on rough set and fuzzy set theory , this paper presents a new method to quickly build new homomorphism based on set theory and feature matrix second type , and also proves the relationship between the definition of maximum compatible function and other compatible functions .
【學位授予單位】：湖南大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP311.13;TP18

【相似文獻】

相關期刊論文 前9條

1 龍衛(wèi)江;張文修;;基于相近原則的半指導直推學習機及其增量算法[J];應用數學學報;2006年04期

2 王新龍;李強;;基于FUP算法的關聯(lián)規(guī)則增量算法的研究[J];微計算機信息;2009年03期

3 楊濟美;向世明;劉榮;汪增福;李子青;;矩陣低秩逼近的快速增量算法及其在人臉圖像中的應用(英文)[J];中國科學技術大學學報;2009年09期

4 朱紅蕾,李明;一種高效維護關聯(lián)規(guī)則的增量算法[J];計算機應用研究;2004年09期

5 廖士中;王曉東;;近似線性平均復雜性的平面點集Voronoi圖增量算法的設計與實現(xiàn)[J];計算機科學;2002年09期

6 王曉東,廖士中;一個基于桶技術的平面點集Voronoi圖增量算法[J];遼寧師范大學學報(自然科學版);2002年02期

7 陳愛萍;;關聯(lián)規(guī)則增量算法[J];電腦知識與技術;2005年36期

8 姜順天;;PID增量算法在線改變參數時運算出錯的探討[J];電子技術應用;1989年03期

9 ;[J];;年期

相關博士學位論文 前1條

1 蔡明杰;大數據下動態(tài)信息系統(tǒng)約簡理論及應用[D];湖南大學;2016年

相關碩士學位論文 前3條

1 王亞茹;多分類支持向量機增量算法及在認知無線電系統(tǒng)中的應用[D];蘭州大學;2016年

2 陳云化;基于粗糙集理論的增量算法的研究和應用[D];福州大學;2003年

3 陳龍;金融高頻數據的關聯(lián)規(guī)則增量算法改進研究[D];吉林大學;2010年

，

本文編號：1923616