基于FCA的概念學(xué)習(xí)研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展，人們獲取數(shù)據(jù)的方式不再單一，如電視、報紙、互聯(lián)網(wǎng)等，獲取數(shù)據(jù)的周期也在不斷減小。面對海量的結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)，如何快速有效的從中挖掘出潛在的價值是當(dāng)前的研究熱點，同時也是機器學(xué)習(xí)面臨的挑戰(zhàn)和機遇。粗糙集理論是Pawlak于1982年提出，并廣泛應(yīng)用于數(shù)據(jù)挖掘、機器學(xué)習(xí)、決策分析等領(lǐng)域。形式概念分析（FCA）是由R.Wille于1982年提出的一種知識發(fā)現(xiàn)的數(shù)學(xué)工具，它被廣泛應(yīng)用于數(shù)據(jù)挖掘，聚類，分類

2、等領(lǐng)域。粗糙集主要應(yīng)用于不確定性的知識表達，F(xiàn)CA主要是挖掘同類事物與事物所具有的屬性之間的內(nèi)在關(guān)系，粗糙集和FCA結(jié)合可以挖掘事物與其所具有的屬性之間的不確定性關(guān)系。在多途徑獲取信息的時代，從單一的信息源獲取的信息往往是模糊或不完備的，因此將多個信息源獲取的信息融合起來就顯得非常有必要了，融合的目的是將多個信源的信息融合為一個信息量更大的信息體，使得融合有“1+1＞2”的效果。本文正是基于FCA的主要特征概念學(xué)習(xí)和多源模糊概念學(xué)習(xí)，研

3、究了主要特征和信息融合的數(shù)學(xué)性質(zhì)，同時設(shè)計了融合算法和模糊概念學(xué)習(xí)算法，并通過數(shù)值實驗驗證本文所提方法的有效性，本文的主要創(chuàng)新點如下：
　　1.在形式背景中定義主要特征，并用數(shù)學(xué)語言闡述了必然特征與似然特征的差別，研究形式背景中基礎(chǔ)比率對認(rèn)知的影響，結(jié)合基礎(chǔ)比率和主要特征定義特征與概念之間的可信度，研究了可信度是如何表達擁有某一屬性（特征）的對象在屬于概念的可信程度，并討論了可信度與主要特征之間的關(guān)系。最后通過案例的計算過程來展示

4、可信度在度量對象的歸屬問題上比單一的主要特征好，并驗證了模型的有效性和可行性。
　　2.條件熵是信息的一種度量方式，基于條件熵的信息融合可以在減少冗余信息的同時提高分類的質(zhì)量，使得相似類更細(xì)，即同一類別的對象之間的差別較小，不同類別之間的差別較大。在融合的基礎(chǔ)之上進行模糊概念學(xué)習(xí)，并根據(jù)提出的條件熵融合方法設(shè)計了對應(yīng)的條件熵融合算法，在此基礎(chǔ)上設(shè)計了基于對象信息和屬性信息的兩種模糊概念學(xué)習(xí)算法，然后使用UCI數(shù)據(jù)集設(shè)計了一系列的數(shù)