基于粒度计算的知识发现研究及其应用

论文摘要

知识发现是人工智能领域的研究热点，目前已经得到了很大的发展。然而，当前的知识发现还存在诸多重要的待解决的研究问题，如知识的表达方式过于单一、缺乏有效的复杂数据和复杂场景下的知识抽取方法(典型的场景如增量式数据情况)、缺少能够保持数据特征内在语义联系的高维数据降维方法，以及如何对发现后的知识进行有效性验证等等。 本文针对知识发现过程中的几个关键环节：知识的表达/描述方式，知识的抽取，知识降维，以及获取知识的有效性验证等，引入了粒度计算的原理和方法，对上述环节中存在的问题展开较深入的研究和探索： (1) 系统化提出了粒度计算三大原理：粒度知识表示原理、粒度近似求解原理、粒度问题映射原理。 (2) 采用了粒度划分的知识表达形式。通过引入粒度知识表示原理，将粒度的划分作为知识表达的一种形式，将粒度的不同粗细划分作为一种知识，从而提出了一种新的知识表达方式，通过对处理对象进行粒度划分来表达不同的知识。 (3) 提出了支持非一致数据的知识抽取算法。根据粗糙集理论设计实现了一个支持非一致数据的知识抽取算法，同时提出了一个适用于复杂情况的增量式知识抽取算法，并根据粒度近似求解原理提出了可并行/串行的近似规则抽取算法。 (4) 给出了知识抽取中的特征选取和约简方法。从表结构的数据特征所能容纳的数据记录问题出发，提出了数据饱和度概念，并根据数据饱和度的特性，提出了一个综合了属性约简和属性选取两者优点的数据降维方法。 (5) 应用知识发现方法来解决复杂问题，给出验证知识有效性的实例。即利用综合粒度方法中的三个原理解决古代建筑建模系统中的知识辨识过程问题。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 本文的研究动机背景
• 1.2.1 知识发现的技术和方法
• 1.2.2 知识发现面临的挑战和问题
• 1.3 粒度计算理论发展概述
• 1.3.1 粒度计算的起源
• 1.3.2 粒度计算研究现状及应用
• 1.3.3 粒度计算对知识发现问题的解决——三个基本原理
• 1.4 本文的主要工作和贡献
• 1.5 本文的组织结构
• 第2章 相关研究工作综述
• 2.1 粒度计算
• 2.1.1 粒度计算的基本概念
• 2.1.2 粒度计算的基本问题
• 2.1.3 常见的几种粒度计算方法
• 2.2 粒度计算中粗糙集理论相关工作论述
• 2.2.1 知识的边界及粗糙集中的基本概念
• 2.2.2 属性依赖和属性约简
• 2.2.3 粗糙约简的研究进展
• 2.2.4 粗糙规则提取研究进展
• 2.3 特征选取及特征约简
• 2.3.1 特征选取相关概念和介绍
• 2.3.2 属性选取与属性约简的区别
• 2.3.3 综合属性约简与属性选择优点的方法设计
• 2.4 本章小结
• 第3章 粒度计算中的规则抽取算法
• 3.1 引言
• 3.2 支持不一致数据的规则抽取算法
• 3.2.1 粗糙集中规则置信度和支持度的定义
• 3.2.2 不一致规则抽取算法
• 3.3 增量式规则抽取算法
• 3.3.1 新数据分类
• 3.3.2 增量式规则获取算法
• 3.3.3 实例分析
• 3.3.4 增量式算法实验及其结果分析
• 3.3.5 进一步的理论分析
• 3.4 近似规则抽取算法
• 3.4.1 近似规则抽取算法
• 3.4.2 算法性能分析
• 3.4.3 近似规则抽取算法实验结果及讨论
• 3.5 本章小结
• 第4章 基于粒度思想的特征选择算法
• 4.1 引言
• 4.2 非一致度
• 4.3 基于非一致度的数据约简算法
• 4.3.1 约简算法设计思路
• 4.3.2 非一致度的单调性
• 4.3.3 基于非一致度的约简算法
• 4.4 属性子集选择策略
• 4.4.1 特征选择中的偏置问题
• 4.4.2 基于“最短偏置”子集选择策略
• 4.5 本章小结
• 第5章 粒度计算的典型应用
• 5.1 引言
• 5.2 三维建筑建模问题描述及其相关工作
• 5.2.1 工作背景和任务
• 5.2.2 三维建筑建模相关工作
• 5.3 建筑建模问题的本体论描述
• 5.3.1 问题的形式化
• 5.3.2 本体领域设计方法
• 5.3.3 中国古建的本体层次结构及其实现
• 5.4 用粒度计算方法辨别知识
• 5.4.1 建筑领域问题的粒度定义
• 5.4.2 知识边界的测度一粗糙函数
• 5.4.3 启发式最优知识选择算法
• 5.5 系统实现
• 5.5.1 建模中知识表达
• 5.5.2 本体领域的验证
• 5.6 实验与讨论
• 5.7 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读学位期间发表的部分学术论文
• 攻读学位期间参与的科研项目
• 致谢