基于多维数据模型的粒计算方法研究

粒计算的基本思想是从多角度、多层次进行问题求解，它是一种新的智能信息处理方法。然而，该理论尚缺乏信息多粒度表示的具体模型及多粒度推理的可行方法。粗糙集作为粒计算的主要模型之一，现有文献也仅限于多角度（属性）、单层次（单层属性值域）的研究。针对这些问题，鉴于多维数据模型具有从不同层次、不同角度表示数据的能力，本项目拟从人的认知出发，以粗糙集理论为背景，率先将多维数据模型引入到粒计算中，提供一种具体的信息多粒度表示方法- - 多维数据模型表示法，并分析不同概念层次结构（线性、树、格）下的粒间关系；利用层次聚类、谱聚类方法，设计概念层次的自动构建算法；将多维数据模型与粗糙集理论相结合，构造一种新的粒计算模型- - 层次粗糙集模型，并研究该模型下的知识约简；通过研究分类问题在多粒度上解之间的保真、保假性质，设计多层次决策规则提取算法及多层次分类问题求解方法。

本项目研究了粒计算领域中“信息多粒度表示”和“多粒度推理”两个重要问题。. 1)针对信息的多粒度表示问题，提出了以多维数据模型表示数据对象，用概念层次树拓展经典粗糙集中的单维属性，形成一种多粒度粗糙集知识表示方法；将一维数据对象看作粒，定义了粒度测度、信息系统的知识粒度、决策表的相对知识粒度，给出了适用于大数据集的相对知识粒度计算方法。. 2)针对多粒度推理问题，本课题组主要研究了多粒度规则生成及其在分类问题中的应用。基于多维数据模型的知识表示方法，提出了多种多层次决策规则挖掘算法，并深入分析了不同抽象层挖掘出的规则间的性质保持关系，及其在多粒度分类问题中的应用。. 总结上述两项工作，创建了一个新的粒计算模型——层次粗糙集模型。. 此外，课题组又进一步研究了云计算环境下层次粗糙集模型中的知识约简问题。利用概念层次树，构建了统一的层次编码决策表，设计了云计算环境下层次粗糙集模型知识约简算法。