基于属性涵盖的概念格构造算法

形式概念分析是一种非常有效的数据分析工具,在很多领域得到了广泛的应用。形式概念分析的核心数据结构就是概念格,概念格的构造是形式概念分析的许多重要应用的前提。本文分析了在概念格的自上而下构造方式中子概念涵盖父概念属性集的特点,根据第N层概念的子概念的对象集必然可以最大覆盖其属性集,提出新的概念格构造算法,简化了概念格的构造过程。     

概念格的算法及进展

概念格作为形式概念分析的核心数据结构,在机器学习、软件工程和信息获取等领域得到了广泛应用.本文简要介绍了概念格的基本概念,讨论了现有的建格算法以及概念格的研究方向。     

概念格的属性约简性质与方法

讨论概念格同构与格论意义下的同构之间的联系,证明了概念格同构也是格论意义下的同构.并进一步讨论属性约简的性质,给出了寻找协调集和约简的一些方法.     

基于约简概念格的关联规则挖掘算法

概念格是为了适应将概念和概念层次用数学形式清晰表达的需要而产生的,已成功地应用于数据挖掘领域。提出的LRM算法,从约简过的形式背景构造的概念格上挖掘频繁项集,大大缩减了造格时间,还使提取的规则具有更好的分类效果。     

一种改进的基于粗集和Tabu搜索的属性约简算法

提出了一种改进的基于粗集和Tabu搜索的属性约简算法。首先利用粗集中的一般约简算法，确定开始进行Tabu搜索的属性个数；然后逐渐减少属性个数，利用。Tabu搜索搜寻含有较少属性个数的属性约简。在进行Tabu搜索时，利用任一属性约简必包含属性核来减少算法的计算时间和搜索空间。实例表明，改进后的算法既具有较高的算法效率，又能以较大的概率得到最小属性约简。     

变精度属性概念格的构造及其性质

将模糊集引入形式概念分析存在的最大问题在于生成的模糊概念数量庞大。讨论了基于模糊形式背景的模糊属性概念格的概念约简,构造出了模糊属性概念格的三种变精度概念格,即经典-模糊、模糊-经典、经典-经典变精度属性概念格,并讨论了它们的关系。结果表明变精度属性概念格的概念数量少于模糊属性概念格的概念数。每一种变精度概念格都保留了模糊属性概念格中相对重要的概念。     

概念格的并行构造模型

概念格的构造在形式概念分析中占有十分重要的地位,是概念格理论实践和应用的基础.而利用并行计算机的计算和存储能力来构造概念格是解决概念格构造难题的基础.在概念格合并算法的基础上,提出一种并行构造概念格的模型,阐述了该模型的体系结构和算法思想.     

概念格的频繁项集生成算法

为提高频繁项集的生成效率,提出一种基于概念格的频繁项集生成算法。首先将事务数据库映射为形式背景,利用概念格构建算法从形式背景中生成概念及其偏序关系,概念内涵表示项集,概念外延表示项集对应的支持度计数。根据概念的外延长度将所有概念划分到不同的层中,层的序号与概念外延长度相同,将层按照序号进行降序排列,从层序号大于等于最小支持度计数的概念中生成频繁项集。在两个人工数据集上的实验结果表明所提算法在时间性能上优于对比算法,最小支持度计数的值越小,所提算法的优势越明显。     

基于分布式概念格的序列模式挖掘

给出解决海量数据库序列模式的挖掘问题的算法．首先采用分布式概念格的思想对数据进行划分，根据子全概念生成相应的子形式背景，选择最优的算法对子形式背景上建格（即子格），所有子格建好后，再对子格进行序列模式的挖掘，合并后得到整个数据库的序列模式．     

偏序集生成的K上自由格

本文给出偏序集Ｐ生成的格等式类Ｋ上自由格存在的一个充要条件，由此证明Ｐ生成的自由格存在。     

试论集合概念和非集合概念的区别

有些形式逻辑的著作或教材在介绍概念的种类时,一般都介绍集合概念和非集合概念,但集合概念和非集合概念的区分向来是一个难点问题。熟练掌握集合概念和非集合概念的区分方法,有助于正确识别以及准确使用集合概念和非集合概念,恰当地进行判断和推理,避免出现二者之间的逻辑错误。准确把握集合体与个体、类与分子、整体与部分的本质特征,是正确把握集合概念和非集合概念的关键。     

集合概念和非集合概念的动态归类

相同的语词指号在不同语境中可以指谓不同的对象即表示不同的概念。许多所谓的＂单独集合概念＂、＂普遍集合概念＂和＂普遍非集合概念＂尤其是＂普遍非集合概念＂,就集合体和非集合体而言,在具体语境中呈现与之相对的概念的质的规定性,这种复杂的逻辑现象相当普遍。因此,集合概念和非集合概念的归类首先应当考察一个语词指号是否因具体语境的不同而呈现概念表达上的集合体和非集合体的二重性。当语词指号与概念之间存在一致性,即一个语词指号只能表示集合体或非集合体中之一时,可采用静态归类法;当语词指号与概念之间不存在一致性,即一个语句指号既可表示集合体又可表示非集合体时,则应采用动态归类法。     

一种基于遗传算法的连续属性离散化方法

连续属性离散化是基于粗糙集的数据挖掘中的关键问题。针对该问题提出了一种遗传算法,在保持不可分辨关系的前提下,以最小断点集为目标,对交叉算子、变异算子进行了改进。最后,使用UCI机器学习数据对算法进行了验证,并与其它的离散化算法进行了比较,结果表明算法是有效的。     

一种新的基于粗糙集属性依赖的属性约简算法

属性约简是粗糙集研究的重要内容之一,首先利用反例指出蔡莉等人提出的基于依赖度的决策表约简算法的错误,然后给出一种新的基于属性依赖的约简算法。通过一个信息系统实例,证明该算法的可行性和有效性。     

概念分析在图书馆信息化中的应用

图书馆信息化是当前图书馆工作的首要任务,数据挖掘技术是最有效的智能信息处理方法之一。以概念为主线,利用概念分析研究图书馆信息化的新方法。以用户资源管理和馆藏资源管理这两个问题为例,详细讨论了概念分析在图书馆信息化中的应用。     

基于改进小生境遗传算法的自适应组卷系统

针对传统基于简单遗传算法的组卷系统收敛速度慢,组卷质量较差等缺陷,设计一种基于改进小生境遗传算法的自适应组卷系统。首先依照组卷约束权重比,生成适应度值较高的初始种群．其次对选择策略进行优化。引入小生境预选机制以维持种群多样性,防止过早收敛。再次根据组卷特点改进交叉算子和变异算子,根据种群进化情况,自动调整交叉概率和变异概率。最后经过若干迭代后达到终止条件,以自适应方式生成目标试卷。实验结果证明,与简单遗传算法相比,改进的遗传算法在收敛速度和组卷质量上均有显著的提高。     

物理概念图的制作

介绍了制作物理概念图时对一般概念图所进行的改进措施，以物理概念图实例为基础，总结了制作物理概念图的具体步骤；以多个物理概念图制作的范例为依据，论证了制作物理概念图应该遵循的原则．