基于FCA的概念學習研究.pdf

1、隨著信息技術的不斷發(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前的研究熱點，同時也是機器學習面臨的挑戰(zhàn)和機遇。粗糙集理論是Pawlak于1982年提出，并廣泛應用于數(shù)據(jù)挖掘、機器學習、決策分析等領域。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)學工具，它被廣泛應用于數(shù)據(jù)挖掘，聚類，分類

2、等領域。粗糙集主要應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的主要特征概念學習和多源模糊概念學習，研

3、究了主要特征和信息融合的數(shù)學性質(zhì)，同時設計了融合算法和模糊概念學習算法，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比率對認知的影響，結(jié)合基礎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，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。在融合的基礎之上進行模糊概念學習，并根據(jù)提出的條件熵融合方法設計了對應的條件熵融合算法，在此基礎上設計了基于對象信息和屬性信息的兩種模糊概念學習算法，然后使用UCI數(shù)據(jù)集設計了一系列的數(shù)