【摘 要】
：
在大数据时代,增量变化是一种常见的动态数据形式,如何从具有强不确定性的大规模动态数据中获取有价值的信息,是大数据领域最重要的研究内容之一。三支决策是一种适用于解决不确定决策问题的理论。该理论与粗糙集理论中的集合正域、负域和边界域概念相对应,对应有接受决策、拒绝决策和延迟决策。其中三支决策属性约简在近些年得到了广泛关注和研究。现有的三支决策属性约简算法大多面向所有决策类,在只需获取单个特定类属性约简
论文部分内容阅读
在大数据时代,增量变化是一种常见的动态数据形式,如何从具有强不确定性的大规模动态数据中获取有价值的信息,是大数据领域最重要的研究内容之一。三支决策是一种适用于解决不确定决策问题的理论。该理论与粗糙集理论中的集合正域、负域和边界域概念相对应,对应有接受决策、拒绝决策和延迟决策。其中三支决策属性约简在近些年得到了广泛关注和研究。现有的三支决策属性约简算法大多面向所有决策类,在只需获取单个特定类属性约简的情况下,会增加约简代价。而且经典的属性约简方法大多针对静态的数据对象,当面临数据不断变化的动态数据环境时,很难及时、高效地提取出有用的信息。在动态信息系统下,基于三支决策的属性约简更新问题却鲜有研究。因此,本文以动态信息系统属性约简为研究背景,分别在数据单对象增加和批量增加的情况下对特定类三支决策属性约简展开了相应的研究。本文的主要研究工作及创新性体现在以下两个方面:第一,针对动态信息系统中单对象数据增量情况下的三支决策属性约简问题,本文首先引入了概率粗糙集动态三支决策计算模型,在单对象数据增量更新情况下通过计算每个决策规则的条件概率的变化趋势来求解更新后三支决策区域,作为后续快速求解特定类属性约简核的条件。然后以相对核CORE作为决策信息系统的约简起点,以剩余属性的属性重要度SIG为启发式信息,提出了基于相对依赖度的特定类正域、负域和边界域的增量约简算法。最后通过诊断信息系统的实例分析,验证了该算法的可解释性和有效性。第二,由于单对象数据变化的增量约简算法在以批量数据变化为主的现实应用中的相对局限性。因此我们在此基础上做了一定改进,针对动态信息系统中批量对象数据增量情况下的三支决策属性约简问题,引入基于概率粗糙集的批量对象增量式三支决策算法来快速求解增量数据流入后的三支决策区域,作为后续快速求解特定类属性约简核的条件。然后以信息系统的相对核CORE为起点,以信息熵作为启发式信息,提出了基于信息熵的特定类正域、边界域和负域的增量属性约简算法。最后通过实例和实验分析,验证了该算法的可解释性、有效性和优越性。基于三支决策的增量属性约简算法研究不但能够发展三支决策和属性约简研究理论、为不确定性问题求解提出一种新型研究思路,而且能够为解决如何从大规模动态数据中获取有价值的信息问题提供了一个新的研究方向,具有较好的理论研究价值。
其他文献
卷积神经网络作为深度学习领域的一项代表技术,在目标检测与图像分类识别等计算机视觉任务中性能表现突出。随着网络深度越来越深,模型结构越来越复杂,网络中的参数量和计算量也越来越大,导致其难以应用在计算和存储资源较差的设备上,因此对卷积神经网络模型压缩技术的研究变得越来越重要。本文基于参数剪枝的思想对模型压缩方法进行研究,主要研究内容如下:提出基于混合参数剪枝的模型压缩算法,该算法分别对卷积神经网络中的
行人重识别旨在从不重叠的摄像区域定位特定行人,是一种为公安办案、寻找丢失人口的辅助技术。随着深度学习技术的发展与大型公共数据集的提出,基于深度学习的有监督行人重识别方法在性能上得到了巨大的提升。有监督的行人重识别方法的成功极大地依赖于大型数据集中的真实标签,然而,在现实中为海量的行人样本手工标记真实标签是极为耗时耗力的,这极大地阻碍了行人重识别技术的发展。因此学术界提出基于无监督学习的行人重识别方
为了改善酸性染料对锦氨织物同浴染色时氨纶得色较浅且牢度较差的问题，采用加入氨纶上色剂的方式以提高锦氨同色性及色牢度。探究了不同氨纶上色剂对提高氨纶K/S值的差异及其最佳用量，并考察了氨纶上色剂应用于不同染料染色时对锦氨同色性及其色牢度的影响。结果表明：氨纶上色剂对氨纶K/S值有良好的提升效果，且适用于多种单色和拼混染料，对不同的染料提升效果不一。在上色剂用量为1%～2% （owf） 时，其可有效改
习近平总书记指出，“没有信息化就没有现代化”，要“善于运用互联网技术和信息化手段开展工作”。随着人工智能、区块链等互联网技术飞速发展，人民法院顺应科技发展浪潮，加速推进智慧法院建设，传统庭审从线下搬到线上，数据信息从纸面迁至云端，人民法院的各个诉讼环节发生了深刻的变化。疫情防控期间，为减少人员接触，避免交叉感染，将信息技术与诉讼程序深度融合的智慧法院大显身手，
面对医学影像数据快速增长,而放射科医师严重不足问题,寻求快速且准确的智能诊断方式一直是国内外研究人员不懈努力的方向。与此同时,基于卷积神经网络的深度学习算法,在图像分类、检测以及分割等方面超越传统算法展现突出成绩,并且已被广泛应用于自动驾驶、机器人视觉等领域。因此,将深度学习技术引入医疗领域,研究高效且精确解读医学影像的智能方式,不仅能够辅助医生诊断,减少漏诊误诊;而且可以提高疾病诊断效率,弥补医
波达方向（Direction of Arrival,DOA）估计是阵列信号处理领域中的一大问题。毫米波因带宽宽、波束窄、分辨率高等优点在通信与雷达领域被广泛应用。但是,由于毫米波频率高、波长短,传统的干涉仪测向、空间谱估计测向及幅度法测向等测向方法很难应用于宽空域测向。此外在实际应用过程中,由于受到通道幅相误差、天线位置误差、天线方向图不一致性等各种系统误差的影响,传统测向方法测向精度会有所下降。
求解高维偏微分方程（PDEs）是应用数学领域的最具挑战的课题之一.用深度学习（DL）方法求解高维PDEs是当前研究热点,人们期待深度学习方法可以克服经典数值解法无法解决的高维方程的维数灾难问题.然而,如何把求解偏微分方程问题转化为一个学习问题,并使深度学习技术契合具体的高维偏微分方程仍是一个颇为艰难的任务.本文以PDEs的倒向随机微分方程（BSDE）表示为基础,利用深度神经网络（DNN）估计方程的
铜作为重要的有色金属储量丰富,具有优良的物理性能,被广泛应用于社会发展的各领域。粗铜的电解精炼需要使用永久不锈钢阴极板。在永久不锈钢阴极板的制造工艺中,导电棒与不锈钢板的焊接十分关键。目前国内不锈钢阴极板焊接以氩弧手工焊为主,焊缝易出现气孔、裂纹、焊偏等问题,因此很难满足行业内日益求精的市场要求。本文针对不锈钢阴极板的焊接,开发了一种激光视觉传感器的焊缝自动跟踪系统。该系统由工控机、激光视觉传感器
在交通数据采集分析过程中,数据采集时间和数据传入服务器时间不一致,及一个小时的处理时间与一个小时的事件时间无关,数据在时间维度上的异步性导致其时域存在偏移问题,交通数据时域偏移进而导致现阶段基于交通数据的查询分析准确度较低。除时域偏移之外,交通数据还在存在着空域偏差等问题,及交通数据点存在错误数据、空间噪点、数据偏移等问题。其空域偏差问题将导致交通数据与城市路网匹配错误失败等问题。在时间领域中,交
随着社会经济地大步向前发展,人们对能源的需求也越来越大。社会上常用的化石能源,会导致严重的环境污染问题,与建设低碳环保型社会背道而驰。但是目前新型清洁能源的转换技术并不成熟,因此提升能源的利用率、合理利用能源是缓和这一矛盾的有效方法。而电能是社会上应用最广泛的二次能源,节约用电是一种行之有效的节能方法。智能电网通过向供电方与用电方提供各方面详细的用电信息,可以让供电方根据需求及时合理地安排电能供应