基于粒度計算的知識發(fā)現(xiàn)研究及其應用.pdf

1、知識發(fā)現(xiàn)是人工智能領(lǐng)域的研究熱點，目前已經(jīng)得到了很大的發(fā)展。然而，當前的知識發(fā)現(xiàn)還存在諸多重要的待解決的研究問題，如知識的表達方式過于單一、缺乏有效的復雜數(shù)據(jù)和復雜場景下的知識抽取方法(典型的場景如增量式數(shù)據(jù)情況)、缺少能夠保持數(shù)據(jù)特征內(nèi)在語義聯(lián)系的高維數(shù)據(jù)降維方法，以及如何對發(fā)現(xiàn)后的知識進行有效性驗證等等。 本文針對知識發(fā)現(xiàn)過程中的幾個關(guān)鍵環(huán)節(jié)：知識的表達/描述方式，知識的抽取，知識降維，以及獲取知識的有效性驗證等，引入了粒度

2、計算的原理和方法，對上述環(huán)節(jié)中存在的問題展開較深入的研究和探索： (1)系統(tǒng)化提出了粒度計算三大原理：粒度知識表示原理、粒度近似求解原理、粒度問題映射原理。 (2)采用了粒度劃分的知識表達形式。通過引入粒度知識表示原理，將粒度的劃分作為知識表達的一種形式，將粒度的不同粗細劃分作為一種知識，從而提出了一種新的知識表達方式，通過對處理對象進行粒度劃分來表達不同的知識。 (3)提出了支持非一致數(shù)據(jù)的知識抽取算法。根據(jù)粗

3、糙集理論設(shè)計實現(xiàn)了一個支持非一致數(shù)據(jù)的知識抽取算法，同時提出了一個適用于復雜情況的增量式知識抽取算法，并根據(jù)粒度近似求解原理提出了可并行/串行的近似規(guī)則抽取算法。 (4)給出了知識抽取中的特征選取和約簡方法。從表結(jié)構(gòu)的數(shù)據(jù)特征所能容納的數(shù)據(jù)記錄問題出發(fā)，提出了數(shù)據(jù)飽和度概念，并根據(jù)數(shù)據(jù)飽和度的特性，提出了一個綜合了屬性約簡和屬性選取兩者優(yōu)點的數(shù)據(jù)降維方法。 (5)應用知識發(fā)現(xiàn)方法來解決復雜問題，給出驗證知識有效性的實例。