覆蓋粒計算及其應用研究畢業論文(編輯修改稿)

　

【文章內容簡介】 蓋鄰域理論來尋找覆蓋系統上重疊元素，然后在粒計算的思維體系背景下，以實例輔證，采用折中方式給出獨立于數據標簽和理想分類結果假設的評價分類法準確性的統一范式。 以上提出的研究方法和技術路線是在前人對覆蓋廣義粗糙集理論和應用以及相應領域研究基礎上的再探索。雖然涉及領域比較寬泛，但都是在粒計算背景下研究的與覆蓋相關的理論和應用，所以本文實施和所采用的技術路線是可行的。本文主要是在粒計算的思想理論背景下研究與覆蓋相關的理論及其應用。具體包括以下六章內容： 第一章為緒論。首先介紹了粒計算的相關理論知識；然后介紹了覆蓋廣義粗糙集的研究背景，分析了國內外研究現狀；最后介紹了本文的研究意義、目標、方法和主要內容以及創新點。 第二章為粒計算的獨特魅力。本章主要討論了粒計算的新穎性和獨特性——以孤立點挖掘為例，創新性地給出了孤立點挖掘總的指導原則和具體實施的流程圖，為孤立點挖掘算法的選擇、改進和創新提供了實際的參考價值，以此來揭示粒計算的獨特思維模式和研究方法，進而體現本文的寫作意圖即受粒計算思想與理論的影響，獲取與覆蓋相關的創新思想來源。 第三章為覆蓋粒計算在基于粗糙集的動態信息系統規則挖掘中的應用研究。本章針對差異信息系統構造過程中會引起新的不一致這個問題，利用覆蓋粒計算相關理論提出了一種新的能消除這種不一致因素的公理化方法。實驗結果表明，在保持時間復雜度不變的情況下，利用改進的規則挖掘算法，通過消除不一致因素而獲得的規則更全面和更大程度地反映了條件屬性值變化與決策變化趨勢之間的內在聯系。 第四章為基于覆蓋粒計算的關聯沖突分析。本章在粒計算思想理論背景下，首次提出了“關聯沖突”的概念，利用覆蓋沖突分析策略,通過“服務——資源”實例建立了關聯沖突分析的合理泛化模型，討論了關聯沖突過程中所可能引發異常的階段，并對不同階段引發的異常進行了詳細的分析，給出了具體的解決方案。 第五章為基于覆蓋粒計算的分類準確性研究。在面向分類法準確性（單標簽和多標簽數據集）的研究中，本章利用拓撲覆蓋鄰域理論，給出了一種新的尋找覆蓋系統上重疊元素的相關的公理化方法。在粒計算的思維體系背景下，以實例輔證，創新性地給出了獨立于數據標簽和理想分類結果假設（一種假設為劃分，另一種假設為覆蓋）的評價分類法準確性的統一范式。需要說明的是，本章對于分類法準確性統一范式的給出采取的折中處理方式值得借鑒。 第六章為總結與展望。文章在同一個思想理論背景下，討論了基于覆蓋的相關理論和應用，它是覆蓋廣義粗糙集的理論及其應用的補充和發展，并且更體現出了粒計算背景下知識發現理論和方法的獨特性，具有重要的理論意義及潛在的應用價值，同時對該領域理論和應用研究的發展方向提出了新的展望。 此外，本文收錄了一些該領域內最新的研究成果，以期能為科研工作者認識和深入研究提供便利。第二章 粒計算的獨特魅力 ——以孤立點挖掘為例 本章主要討論粒計算的新穎性和獨特性，以此來揭示粒計算的獨特思維模式和研究方法，從中體現出本文的寫作意圖，在粒計算思想理論背景下的覆蓋理論及其研究的問題即受粒計算思想與理論的影響，獲取與覆蓋相關的創新思想來源。以孤立點挖掘為例，在粒計算的思想理論背景下，給出了孤立點挖掘總的指導原則和具體實施的流程圖，為孤立點挖掘算法的選擇、改進和創新提供了實際的參考價值，將會對孤立點的挖掘產生一定深遠的影響。孤立點也即異常點[65]，是指數據集中不符合一般模型的那些對象，即和其他數據有著不同的性質。對于某些度量而言，這些對象與數據集中的其他數據有著顯著的不同。目前，針對不同的數據挖掘任務和挖掘背景，一些數據挖掘算法盡量去減少孤立點帶來的影響或者甚至是從數據集中消除他們，然而，這可能會導致一些重要的隱秘信息的缺失。換句話說，孤立點本身在諸如入侵檢測等事件中有著特殊的意義，它可以表示入侵的異常行為。因此，孤立點的檢測和分析（即孤立點挖掘）在數據挖掘中就顯得非常重要。一般，孤立點挖掘問題可以看作兩個子問題：一個是在給定的數據集中定義一個什么樣的數據可以被認為是孤立點或不一致的；另一個是找到一個有效的方法去挖掘這些定義的孤立點。在過去的一個多世紀里，人們對孤立點的研究經歷了幾個興衰交替?，F在，它再一次成為信息科學里的一個活躍分支，并在數據挖掘領域里受到越來越廣泛的關注。孤立點挖掘之所以有著廣泛的應用，是與其所在的實際領域里的特殊性決定，諸如入侵檢測、市場營銷和醫療等領域。孤立點的引起是有一些原因的[66]，同時相應的也有一些檢測或挖掘孤立點的方法[6776]。然而，每種方法總是存在著不可避免的缺點或者略勢，沒有一個普遍有效的方法來檢查數據集中的孤立點[77]。特別在檢測孤立點的過程中，如何選擇一個合適的檢測方法沒有一個普遍的準則，而且就孤立點目前研究的熱點和未來的發展來說[77]，挖掘任務會變得非常困難。因此，尋求一個適用于孤立點挖掘的總的指導原則就成為了最急需要解決的問題。 (1) 數據來自不同的類 一個數據不同于其他數據，可能因為它來自不同的類或屬于不同的類型。例如，一個在進行信用卡欺詐的人可能被歸為不合法的信用卡用戶而不是非法的用戶。相同地，諸如欺詐、入侵、疾病暴發和異常的實驗結果等都可以被認為是造成孤立點的例子。 (2) 自然變異在統計知識的背景下，一些諸如正太分布等模型可以用來模擬許多數據集的分布。隨著數據點離正太分布的中心距離的增加，該點出現的可能性就會急劇地減少。換句話說，對于大多數點來說，離中心（平均對象）越近，不同于這個平均對象的可能性就越小。例如，假定一個男性特別的高，當他獨自一人時，沒有人與之形成對比，他沒有什么特別之處。但是一旦于其他人在高度上做比較時，他就是一個孤立點，在這群人里他是一個高度上的極值。通常這些極值點或沒有任何變異的點作為孤立點是非常有意思的。 (3) 數據度量和收集導致的誤差 在數據收集和度量的過程中，所導致的誤差是引起孤立點的另一個根源。例如，由于人為失誤、設備誤差或者數據本身具有噪音導致所記錄的度量值不正確。一般情況下都會刪除這些孤立點，因為他們不能提供有用的信息，相反他們會降低數據分析的質量。但這些數據能反映出一些有用的信息，例如誤差的根源是人為、設備還是其他的原因造成的等。 (1) 基于統計模型的孤立點檢測方法[67, 68]許多檢測技術首先都會構造一個數據模型。孤立點就是這些不能夠很好擬合這個模型的數據對象。例如，數據的分布模型可以通過估計概率分布的參數來構造。如果一個數據對象不能夠很好的擬合這個模型，它可能不服從這個分布，那它就是孤立點。如果模型是簇的集合，那么孤立點會明顯的不屬于任何簇?；蛘弋斒褂没貧w模型時，孤立點會相對的遠離模型的預測值。 (2) 基于距離的孤立點檢測方法[69, 70]目前，許多孤立點檢測的方法都是基于距離的。孤立點就是遠離大多數點的點。當數據分散在二維或三維的圖中時，我們可以通過基于距離的方法，用肉眼或簡單方法分辨出哪些點是孤立點。 (3) 基于偏差的孤立點檢測方法[71, 72]我們也可以通過比較一組數據的主要特征來檢測孤立點。根據問題的要求，可以事先給定數據所對應的一些特征，那么孤立點就是這些不能像特征所描述的那樣的點。 (4) 基于密度的孤立點檢測方法[73, 74]數據分布的密度估計是相對可以通過計算得到的，尤其是對數據之間存在距離的點來說。那些處于低密度的數據點相對地遠離他們的鄰居可以被認為是孤立點。但是考慮到數據集可能有不同的密度區域，因此當一個點所在的區域的密度明顯低于它的大多數鄰居的時候，它可以被歸為孤立點。 (5) 基于聚類的孤立點檢測方法[75, 76]聚類分析和孤立點檢測有不同的目標。聚類分析通常被用于發現強相關的對象，而孤立點檢測則被用來發現那些和強相關的對象沒有關系的對象。顯然，聚類可以用于孤立點檢測。 在數據挖掘中，粒計算有著廣泛的應用[7880]。數據的粒化，尤其是復雜數據的粒化，是基于粒計算的數據挖掘的必要前提。粒化的程度直接影響數據挖掘的效率和計算復雜度。既要避免粒度過粗而造成求解失敗，又要避免粒度過細造成信息的冗余而導致求解效率低下。因此，選擇最優?；潭仁橇Ｓ嬎銛祿诰虻年P鍵。另外，當粒化的程度已知時，粒化的方法直接決定了粒化的效率。孤立點挖掘是一個將孤立點從數據集中分離出來的過程。通過對引起孤立點的原因進行分析，我們發現孤立點大都是各種情況里的不尋常的對象。他們由突發事件、人為因素或環境原因等所引起的，所以我們需要不同的實施過程將它們分離出來。事實上，從粒計算的觀點來看，分離的過程就是?；倪^程，并且上面所列出的孤立點的檢測方法都是基于?；枷氲摹Ｕ鏩adeh所認為[13]的：人類的認知能力概括為?；?、組織和因果推理，人們對孤立點挖據方法的設計正是人類認知能力尤其?；芰Φ姆磻?，例如，基于距離、密度和聚類的孤立點檢測方法可以看作為基于空間?；姆椒?，而基于統計模型和偏離的孤立點檢測方法可以被看作為基于模糊匹配信息的粒化方法。而且分離的思想與粒度有著非常近的關聯，在不同的?；缴?，通過使用一些特殊的方法或策略，我們可以選擇合適的粒度來縮小孤立點的檢測范圍，這樣就可以提高孤立點挖掘的效率并降低挖掘的時間復雜度，尤其對大數據集中的孤立點挖掘來說效果和意義更明顯。 我們換個角度來考慮孤立點檢測的方法。粒計算新穎和獨特的原因不完全在于提供具體的方法和策略，而在于提出了一個統一的框架，對這些方法和策略進行全面理解及綜合。如果我們通過粒結構將知識和系統合為一體。由此產生的結果是，人們能將普遍適用的粒計算哲學有意識地運用到各自面對的問題中去，從而對問題進行更有效的求解。同時，對高層次的粒結構的認識可以防止人們對相同、相似理論和方法的重復發現和發明，避免浪費精力。因此，將粒計算的新穎和獨特之處運用到孤立點挖掘中，有如下指導原則：通過對引起孤立點原因和孤立點檢測方法的分析，結合粒計算的觀點，從方法本身的高層粒結構出發，獨立于檢測方法的孤立點挖掘總的指導原則是粒化觀點，同時表明了在選擇合理的粒度之前，它在孤立點挖掘中扮演著非常重要的角色，根據不同的檢測目標，有著不同的粒化原則。而且粒化觀點是一種新的求解系統，它是孤立點檢測過程中首先并且唯一開始著手的思想。換句話說，對孤立點檢測方法的選擇、改進和創新，它提供了統一的、正面的和有效的說明。在信息科學快速發展的背景下，它將對孤立點的挖掘產生深遠的影響。，它是粒計算思想應用到孤立點挖掘中的很好體現，其中有陰影部分是背景知識： 孤立點挖據的統一實施過程 對于粒計算而言，其思想和理論在孤立點挖掘上得到了充分的體現。在對孤立點挖掘方法的分析和概括的基礎上，總結出了獨立于方法之上的方法論原則（?；笇г瓌t），使得孤立點挖掘的著手點集中在?；乃枷肷?，避免了許多重復性的工作和不必要的麻煩，這是粒計算任務和目標的體現。而孤立點挖掘的統一實施過程流程圖體現了粒計算的其他方面：挖掘過程本身是有先后順序之分，因此是具有一定層次性；而挖掘過程中，粒度大小的選擇即合適層次上的粒化，以獲取?；瓌t用以選擇、創新和改進挖掘方法；由于粒度大小選擇上原因導致挖掘結果不是很滿意，需要調節粒度，因此，這是一個循環反復的過程（體現出了分層結構以及粒結構），其間需要粒計算理論注入其中以求對所要解決的問題選擇合理的層次和粒度。對于孤立點挖掘而言，?；^點是孤立點挖掘方法的選擇、改進和創新的切入點，它的引入使得人們對孤立點挖掘的研究更廣泛和更集中即不斷的將新的?；椒ㄒ氲焦铝Ⅻc挖掘中和只將挖掘任務放在粒化的思想上進行考慮，這樣一方面使得挖掘算法得到不斷改進和創新，另一方面又可以避免許多不必要的重復勞動。而孤立點挖掘統一實施過程圖的引入，使得孤立點挖掘任務的實施更一致化、明了化和細致化，尤其面對復雜數據諸如數據流、高維數據集和Web數據等中的孤立點挖掘時，該過程圖更能體現其優勢所在，而且粒計算本身就具有其獨特的處理復雜數據的能力。最后對于二者而言，基于粒計算的孤立點挖掘將會給孤立點挖掘的研究和分析提供一種新的策略和模式，它將對孤立點的挖掘產生深遠的影響。而將粒計算思想理論應用于孤立點挖掘，全面體現了粒計算獨特的思維模式和研究方法，顯示出了它的獨特性和新穎性，更體現出了本文的寫作意圖，將在粒計算的思想理論背景下研究與覆蓋相關的理論及其應用即受粒計算思想與理論的影響，獲取與覆蓋相關的創新思想來源。第三章 覆蓋粒計算在基于粗糙集的動態信息系統規則挖掘中的應用 在動態信息系統中，采用粗糙集方法來挖掘系統中潛在的規則。對于這類問題，由于信息系統的不一致性以及差異信息系統構造過程中的不確定性和差異性，規則挖掘的結果不甚理想：在粒計算的思想理論背景下，本章將覆蓋相關理論運用到規則挖掘中，提出了一種消除引起差異信息系統規則挖掘中不一致因素的方法。實驗結果表明，在保持時間復雜度不變的情況下，利用改進的規則挖掘算法，通過消除不一致因素而獲得的規則將能更全面和更大程度地反映條件屬性值變化與決策變化趨勢之間的內在聯系。粗糙集方法是一種用于處理不確定性和模糊性數據的數學工具[17, 81]。但由于客觀世界的不確定性問題通常表現為易變性和過程性，傳統的粗糙集很難體現出不確定性的變化過程和變化趨勢，即在信息系統中體現為屬性隨著時間的推移而不斷地變化[82, 83]。在決策信息系統中，利用粗糙集理論建立屬性值隨時間和場景變化的動態信息系統模型[84]，可以挖掘出條件屬性值變化與決策屬性值變化之間存在的內在聯系。可是由于動態信息系統構造過程中會產生新的不一致性[85]，使得從差異信息系統上獲得的決策規則不甚理想。為了能獲得理想的決策規則，本文給出了一種能消除引起差異信息系統不一致因素的方法，并給出了改進的基于粗糙集的啟發式規則挖掘算法，最終使決策規則能更好更全面的反應條件屬性值的變化與決策變化趨勢之間的關系。 一個信息系統表示為一個四元組：，其中是對象的集合，即論域；是屬性集（，為條件屬性集，為決策屬性集）；，表示的值域；是一個信息函數。由于