粒度計算中的不確定性問題研究.pdf

1、隨著不確定性人工智能的發(fā)展，對問題領(lǐng)域近似建模與分析推理的粒度計算與不精確概率及其圖模型已成為人工智能領(lǐng)域研究的熱點，本文在對國內(nèi)外在該方面的研究現(xiàn)狀進行深入分析基礎(chǔ)上，對粒度計算與不精確概率的基本理論方法及應用進行了系統(tǒng)的研究與探討，全文主要內(nèi)容如下： 1.對于粒度計算的一個主要模型“商空間理論”，提出基于可測空間的商空間逼近理論；并給出信息非一致情形下半序結(jié)構(gòu)的融合方法。 2.因果定性網(wǎng)絡是Bayes網(wǎng)絡的定性抽象，

2、Credal網(wǎng)絡是相應于Bayes網(wǎng)絡一種擴展，這二者都是不精確概率的圖模型表示。實際應用中，人們不一定能得到完整的Bayes網(wǎng)絡信息，有時只是某一方面了解較多。本文從粒度計算的角度，提出廣義因果定性網(wǎng)絡的概念及其定性融合方法，這為Bayes網(wǎng)絡結(jié)構(gòu)學習提供一種新的近似建模方法：定性融合逼近。 3.對于高維海量且多模式數(shù)據(jù)集分類問題，構(gòu)造性學習算法在很多方面比其他學習算法具有較大優(yōu)勢，但同時也出現(xiàn)一些不足之處。本文從計算學習理論

3、角度將因果網(wǎng)絡應用于構(gòu)造性學習，提出因果覆蓋算法。利用訓練集包含的因果信息，找到每個類別樣本出現(xiàn)機會最大的球領(lǐng)域位置，這為構(gòu)造性學習算法的優(yōu)化提供了一個新的思路。不足之處是考慮到計算代價，該算法在第一次取覆蓋中心時用到各類的最優(yōu)中心，它起到“盡量蓋住同類樣本出現(xiàn)機會最多的球形領(lǐng)域”的作用，而接下的覆蓋中心是隨機取的，同時因果網(wǎng)絡的結(jié)構(gòu)學習不夠完善仍在進一步發(fā)展中。另一方面，將因果網(wǎng)絡結(jié)合構(gòu)造性學習應用于數(shù)據(jù)挖掘問題中，提出兩階段因果覆蓋

4、算法。該算法利用數(shù)據(jù)的各個屬性之間或部分屬性之間具有一定的因果關(guān)系直接找到影響數(shù)據(jù)的類別屬性的屬性集，即父親屬性集，并由此父親屬性集與類別屬性一起作為樣本集的新屬性集，再應用構(gòu)造性學習算法對降維后的數(shù)據(jù)集進行分類，這是一種新的降維方法。 4.提出一個無監(jiān)督學習條件下判斷離群點的算法，該算法在試驗中被證實是有效的；并指出訓練集對學習效果的影響，進而提出訓練集中樣本之間的鞅性要求，這本質(zhì)上是對數(shù)據(jù)生成的不同機制的一個要求以防止太多的