面向动态复杂数据的粒化模型与知识发现研究

Data are generated and stored at the unprecedented rate in the field of scientific research and social life, how to achieve intelligent processing of data and find valuable knowledge has become one of the research hotspots in areas of knowledge discovery and artificial intelligence. Most of existing knowledge discovery work is mainly for single-typed, modest-sized and structural static data. However, the current data have the characteristics of multi-sourced heterogeneous, high- dimensional and dynamic, such that the knowledge discovery work faces great challenge, and related knowledge discovery work are urgent to carry out for dynamic complex data. Therefore, this project will focus on dynamic complex data, make the knowledge discovery work as the research goal, and make the granular computing as the theoretical basis, so as to construct granular models for dynamic complex data and develop efficient methods for knowledge discovery. The main studies in this project are given as follows: different information granularities under multiple relations on dynamic complex data will be converted and fused; the methods will be provided for measuring the feature significance from the multi-criteria viewpoint on dynamic complex data; dynamic updating granularity based on multi-layer hierarchical structure will be presented; dynamic updating techniques for knowledge acquisition will be developed; efficient incremental algorithms for feature selection will be presented; efficient methods for evaluating the acquired knowledge will be provided and a prototype model for dynamic knowledge discovery will be constructed. All of these will provide important theoretical significance and application values for the study of knowledge discovery on dynamic complex data.

当今科学研究与社会生活等领域中的数据正以前所未有的速度产生和存储，如何实现数据的智能化处理从中发现蕴含有价值的知识，已成为知识发现和人工智能领域的研究热点。现有知识发现的研究主要是针对类型单一、规模适中、结构静态的数据，而当前数据往往体现出多源异构、高维海量、动态多变等特性，使得知识发现理论和方法面临巨大的挑战，亟需针对数据的上述特性开展知识发现研究。因此，本项目以动态复杂数据为研究对象，以知识发现为研究目标，以粒度计算为理论基础，构建面向动态复杂数据的粒化模型，提出高效的知识发现方法。具体包括：给出多关系下不同信息粒之间的转换和融合方法；设计基于多准则的特征度量方法；提出基于逐层递阶的粒度动态更新方法；构造特征选择的增量式更新机制与高效算法；设计知识获取的动态更新方法和知识的有效性评价准则；并构建动态知识发现的原型系统。本项目的研究对动态复杂数据的知识发现具有重要的理论意义和应用价值。

本项目针对高维数据的动态性和复杂性等特点，以知识发现为研究目标，以粒计算为理论基础，研究面向动态复杂数据的粒化模型和知识发现方法，具体研究成果包括：提出了面向动态复杂数据的信息粒化方法，以应用于动态复杂数据中不同类型数据的特征之间信息粒化和和融合。根据复杂数据中不同类型特征的分布，设计了基于信息粒度的多准则特征度量方法，用以分析特征的重要性和区分能力，分别研究了动态复杂数据中对象集的增加和删除、特征集的增加和删除下信息粒度的动态更新方法和特征选择的增量式更新机制与算法，实现特征子集的动态更新，并研究了多决策复杂数据下的特征选择模型与算法，建立了基于三支决策的粒计算模型与知识获取方法，以保证知识的有效性。本项目的研究成果将为动态复杂数据的处理和分析提供可借鉴的粒计算理论和方法，具有良好的应用前景。