面向混合数据的粒度计算理论与方法研究

本项目以现实中广泛存在的混合数据为研究对象，以粗糙集、概念格等理论为基本工具，发展面向混合数据的粒化、不确定性度量、知识获取与推理的粒计算新理论与新算法，并应用于文本数据、遥感数据的分析与处理。主要研究结果如下：（1）在混合数据的粒度的代数结构与聚类最优粒度选择方面，通过定义模糊粒的四种运算，证明了混合数据的粒度空间可被理解为一个有补格结构；以熵为主要工具，设计了面向混合数据聚类的最优粒度选择算法。（2）在信息系统中知识粒度的刻画方面，考虑了现在常用来度量粗糙性的模糊熵是否有效的问题，给出了模糊熵可用来度量粗糙性的必要条件。（3）在基于概念格的粒计算与推理方面，提出了概念格构建与规则获取的模糊粒化基方法；提出了基于概念格不同粒度的领域本体构建方法；提出了基于概念格的多示例学习方法；研究了模糊决策背景和模糊决策蕴涵的概念及其语义和语构特征，讨论了一致闭包与模型的关系，证明了导出的推理规则的协调性和完备性。（4）在符号数据的聚类方面，提出了面向生物数据有效的k-modes算法和赋权的k-modes子空间聚类算法。（5）在理论成果的应用方面，主要是研究了文本情感分类、聚类问题，以及空间数据分析中的分类、空间关系抽取问题。这些成果丰富了粒计算理论，为混合数据分析与处理提供了新方法与新算法。