一、信息的粒化与划分(覆盖)解粒（论文文献综述）
邵丽洁[1]（2021）在《可信粒度准则框架下基于粗糙聚类的信息粒化方法研究与应用》文中研究表明粒计算作为计算智能领域中模拟人类思维和解决复杂问题的新方法备受欢迎。信息粒化是粒计算的前提和关键,它根据给定的粒化策略从复杂数据中抽象出能够表达数据含义的信息粒,在知识发现、数据挖掘、复杂问题求解等领域有着广泛的应用前景。为解决原本模糊不可分的复杂问题,Pedrycz以颗粒的形式划分模糊信息并根据现有依据形成“可信”粒子,提出了可信粒度准则两阶段信息粒化框架。该两阶段框架中,第一阶段以无监督学习的聚类分析方法,由原始数据形成数据集结构的雏形。第二阶段在监督模式下,基于类簇构建信息颗粒,捕获数据集的核心结构,从而在粒化阶段构建更综合、更全面的粒度结构,使得最后生成的颗粒原型的整体性能更佳。可信粒度准则两阶段信息粒化框架,以无监督聚类结合有监督粒化,基于可信粒度准则框架的信息粒化可将原本杂乱无序的数据转化为代表性强的标准信息粒子,具有求解精度高且计算量小等优势。然而现有两阶段粒化框架下的信息粒化,在描述粒子语义结构时仍然缺乏合理的粒化函数,导致信息粒子的质量不佳,同时多类簇交叉且分布不均衡数据的信息粒化问题仍亟需解决。此外,多种类型并存的混合数据日渐增多,研究面向混合数据的两阶段信息粒化方法对丰富可信粒度准则框架下的信息粒化理论与方法具有重要的理论价值。基于理论研究成果开展信息粒化方法的应用分析,对于推进粒计算理论方法的工程应用具有重要实践意义。本文以可信粒度准则两阶段信息粒化为基本框架,分别以结合区间二型FRKM与混合度量的两阶段信息粒化→两阶段框架下面向混合数据的熵权模糊粗糙K-prototype信息粒化算法→两阶段信息粒化在FCC吸附脱硫工艺中的应用为主线,研究可信粒度准则框架下基于粗糙聚类的信息粒化方法与应用,并探讨理论研究成果在FCC吸附脱硫工艺中的应用。主要研究工作包括:（1）基于区间二型模糊粗糙K均值聚类与混合度量的两阶段信息粒化针对数据分布不均衡且多类簇交叉数据集的信息粒化问题,提出了一种结合区间二型FRKM与混合度量的两阶段信息粒化方法。该方法基于快速收敛的区间二型模糊粗糙K均值聚类算法为粒化提供基本信息粒,为削弱边界区域对聚类的影响,引入综合考虑类簇规模与空间分布信息的权重系数计算隶属度权重,从而避免类簇中心向边界区域严重偏移;粒化阶段,考虑密度和区间的共同作用,基于原有的指数函数改进了粒子独特性描述函数,进一步提升对粒子结构、性质的描述能力。最后优化复合目标函数值求解得出最佳粒子边界,得到具有代表性的、标准的可信信息粒。多组人工数据集和UCI标准数据集下的对比实验分析,验证了所提算法在处理多类簇交叉的不均衡数据集时,具有自适应性和聚类精度方面的优势,所得信息粒结构更紧凑、更具有代表性。（2）两阶段框架下面向混合数据的熵权模糊粗糙K-prototype信息粒化针对可信粒度准则下混合数据信息粒化的需求,提出了两阶段框架下面向混合数据的熵权模糊粗糙K-prototype信息粒化算法。该算法第一阶段,考虑多样化数据之间存在的差异与聚类贡献不同,采用熵权法赋予不同属性客观权重,基于模糊粗糙K-prototype聚类进行初始信息粒化。第二阶段,考虑到混合数据的粒化阶段缺乏有效的粒子特性度量方法,在表述粒子内部空间结构时,综合考虑两种属性数据的粒化贡献重新定义混合数据的粒子独特性表达式,并合理刻画数据分布的疏密程度。通过多组实验对比分析所提算法将进一步提升混合数据信息粒化的稳定性。（3）两阶段信息粒化在FCC吸附脱硫工艺中的应用依据催化裂化制备低硫汽油的实际生产数据,利用结合区间二型FRKM与混合度量的两阶段信息粒化算法对相关生产数据进行粒化处理,并对多种条件参数进行粒化表述;从不同粒度层次提取有价值的语义信息,分析工艺流程中反应器温度、反应系统压力、装置流量、吸附剂料位等因素与产品汽油脱硫率、辛烷值损失之间的潜在联系,探寻不同因素影响下汽油脱硫率与辛烷值损失的平衡点,为清洁化汽油生产提供指导。
许佳佳[2]（2019）在《基于粒函数的自适应模糊控制系统研究》文中进行了进一步梳理智能控制作为自动控制的崭新领域,以先进新颖的思维为这类复杂不确定性问题提供了新的解决方法,由智能控制与PID控制相结合形成智能PID控制。本文选取模糊自适应智能化的原理与方法,将其与PID控制算法相结合,用以实施对液位控制系统的全方位研究,从而使控制达到自适应、自整定。由于传统数学方法面向的对象是精确数学模型,而自然界中实际控制问题有时并不能用传统精确建模的方法进行描述,模糊控制理论给这种复杂不可建模控制问题提供了新的方法。模糊控制系统依靠专家控制经验与大量实验,确定模糊规则,进行推理控制。与传统控制相比,模糊控制采用模糊推理机制,用于那些难以给出精确数学建模的被控对象。虽然模糊控制系统有着较成熟的控制理论基础,但在模糊控制系统输入变量增多的时候,模糊控制器中会产生大量的模糊规则,使系统计算量增大、变得异常复杂,因此需要模糊化与去模糊化。本文使用粒计算理论,将粒化思想运用到模糊条件语句中,由粒函数代替传统模糊控制系统的模糊推理过程。每一次模糊化去模糊化获得的输入输出视为一组输入输出的映射关系,每一条模糊控制规则可视为一个模糊规则粒,映射关系可由模糊规则粒中适当选择的点拟合得到的精确响应函数来表示,因此模糊控制系统的模糊推理可等效为一条拟合响应函数,不同拟合阶数的响应函数也可降低系统的运算复杂性。给出了新的模糊控制系统设计思路,使用了粒函数方法来替代传统模糊控制算法,并对粒函数模糊控制系统进行了单容水箱和双容水箱的实验验证。引入自适应模糊PID控制,设计了水箱液位自适应模糊PID控制控制器,通过对参数的自整定,达到自动调节PID参数的功能,实现了对双容水箱液位的控制,并对两种算法进行了对比,验证了自适应模糊PID算法在控制效果上的准确性、快速性、稳定性、和鲁棒性等方面要优于传统的PID算法。以双容水箱系统为控制对象,设计控制双容水箱液位的基于粒函数的自适应模糊PID控制系统。由于自适应模糊PID控制系统是两输入三输出,所以采用拟合好的三个两输入一输出的函数器并联起来来取代自适应模糊PID控制器。通过仿真分析,并联在一起的函数器能够更好的控制液位,于此同时,不同拟合阶数响应函数也可以降低系统运算复杂度,从而证明了粒函数在非线性系统智能控制中的可行性和优越性。本论文的创新方面有以下几点:1.自适应模糊PID控制中使用了基于拟合好的函数器并联起来实现控制,省去了模糊化与去模糊化过程2.使用了粒函数有效地降低多输入多输出形成规则过多控制的复杂度3.基于粒函数设计出一种自适应模糊PID控制方法
朱修彬[3]（2018）在《用于系统建模和数据挖掘的粒度数据描述》文中提出随着信息时代的发展各种服务和应用如网络监控、车载服务系统、医疗服务和电子商务等所产生的数据持续增长,如何分析和利用这些数据来制定商业服务策略、为用户提供各种建议、或者揭示数据内部规律等成为具有挑战性的难题。人们已经开发了服务于各自领域各种的智能系统来应对这种挑战,并且取得了极大成功。一个优秀的智能系统应具有可以与用户进行良好双向沟通的能力,可以接受用户用自然语言表达的请求,并且能将处理结果或建议以一种容易理解的方式传递给用户。智能系统除了能处理数值型数据以外,还应具有处理非数值型数据的能力,如用户的意见和评判等。能够满足这种需求的智能系统必须建立在比数值型数据更高类型的数据上,也就是信息粒的基础上。这种智能系统所给出的答案或建议也是以信息粒的形式呈现给用户的。这种比数值型数据更抽象、具有更高类型的结果具有良好的可解读性。因此,以信息粒为处理对象的粒计算成为一个极具发展前景的研究方向。本论文拟建立统一的基于粒计算的概念和算法框架,这就需要解决一系列问题,如信息粒的编码与解码、信息粒的表示和构建、基于信息粒度最优分配的粒模糊模型的建立等。信息粒是支撑粒计算的基本要素,并且也被用来同外部环境进行交互。本论文讨论了信息粒的编码-解码这一基础问题。该问题概括如下:假设有一个由粒数据X1,X2,…,X N（集合,模糊集等）构成的有限集合,如何构建一个由c个信息粒组成的最优码本A1,A2,…,A c,（c<<N）,使得X k能够通过A i来进行编码-解码,并且使得解码误差最小化。由于信息粒解码误差的普遍存在,信息粒经过编码-解码这一过程后,会生成更高类型的信息粒（如果Xk是1-型的信息粒,解码后生成2-型信息粒）。本论文创新性地提出了基于possibility理论并结合模糊关系演算来进行信息粒编码解码的机制;同时探讨相应的优化策略,设计了基于区间隶属度函数边界距离的目标函数,通过对此目标函数的优化使得解码误差达到最小。本论文讨论了如何通过利用合理粒度准则,在原始数值型数据的基础上创建一系列有意义、具有良好描述能力的超椭圆体信息粒,并且研究这些信息粒对于原始数据的重建能力。本论文的目标是使得所构建的信息粒能够很好地刻画和描述原始数据,并且能反映数据的内在拓扑结构。合理粒度准则通过在信息粒的覆盖率和具体性之间寻求一个平衡点来构造信息粒。通过设计合理的适应度函数并且采取一定的优化策略,本论文提出了一个基于覆盖率和具体性双目标优化函数的两阶段信息粒构建机制。首先通过模糊聚类方法确定一系列的数值原型v1,v2,…,v c,然后通过优化以v1,v2,…,v c为中心的信息粒V1,V2,…,V c的尺寸,来使目标函数值达到最优。实验证明通过这种方法所创建的信息粒对于原始数据具有很好的描述能力,并且能够表达比数值原型更丰富的信息。本论文还提出一种构造超立方体信息粒原型的方法。一系列超立方体信息粒组成一个ε-信息粒簇。本论文首先通过聚类方法从原有数据集产生出一组聚类中心v1,v2,…,v M,然后将信息粒度ε（0<ε<1）合理分配给每一个数值原型,在这些样本的周围形成一系列超立方体V1,V2,…,V M,也就是ε-信息粒簇。接下来,将这些超立方体应用于数据的解码-编码,通过衡量重建数据的覆盖率和具体性来评估每一个ε-信息粒簇的质量。通过评估不同信息粒度ε所对应的目标函数值,我们能够确定最优全局信息粒度ε以及在每个信息粒上的最优分配。实验表明,通过这种方法所构造的信息粒能够很好地反映原始数据的特点,并且可以用作构建粒度模型的基础。模糊模型,尤其是TS模糊模型,在系统建模以及基于模型的控制领域有着广泛的应用。本论文提出了一种通过结合模糊子空间聚类和合理粒度准则来创建粒度模糊模型的方法。本论文首先通过利用模糊子空间聚类算法来创建数值型TS模糊模型;然后在目标函数的指引下,通过对于该模型的参数分配一定的信息粒度使得参数粒度化（粒度原型以及粒度隶属度）,并最终构造成粒模糊模型。这样原有的模型就会被提升到一个更高的抽象层次,也就形成了粒度化模型。这种模型的输出结果也是信息粒,并且具有良好的可解释性。现实生活中,人们经常面临着如何利用数据挖掘工具从非平衡数据集中进行有效学习的问题。数据分布的不平衡性严重降低了传统分析器的性能。本论文提出了一种基于粒计算概念和算法的粒度欠采样方法。首先,围绕每一个来自多数类的数据样本都创建一个信息粒,以此来反映这一类数据的本质特点;然后,通过评估所形成的信息粒质量,只保留具体性最好的那部分样本数据;接下来,根据信息粒的尺寸对原始数据赋予不同的权重;最后,利用支持向量机和K近邻算法对这些加权数据进行分类。实验结果表明,利用粒度欠采样生成的数据训练的支持向量机和K近邻算法的分类准确率显着优于传统欠采样算法,其G-means性能指标比利用传统随机欠采样算法训练的分类器提高了10%以上。信息粒是基于原始数值数据所创建的一种更高层次的信息度量。通过结合粒计算现有的研究成果,如合理粒度准则以及信息粒度的最优分配等,本论文解决了一系列粒计算的基本问题。比如通过合理的编码-解码机制,使得信息粒具有良好的可读性和可解释性;利用合理粒度准则创建的信息粒能够很好地反映原始数据的特点和结构;通过信息粒度的最优分配所创建的模糊模型能够很好地预测结果,并将结果以对用户友好的方式反馈给用户。相信这一系列粒计算前沿及热点问题的解决能为粒计算下一步的发展提供新的启发和促进。
梁怀新[4]（2018）在《基于增量学习和特征选择融合的可视化模式识别方法》文中研究表明信息时代的到来使得人类生活各个领域每时每刻产生着多样、变化着的数据,数据规模越来越大;根据人类的渐进式认知原理,在较大数据背景下一次性获得知识的完备模式是很困难的,并且学习也是在原有知识模式基础上对新知识进行模式分类的过程。增量学习思想符合人类渐进式获取知识的一般规律,因此在机器学习算法中引入增量学习算法,使机器具有动态更新学习能力尤为重要。属性偏序结构图具有层次清晰、结构简约、连线无交叉的特点,是表征概念间关联关系的可视化工具。目前属性偏序结构图的成图算法是基于批量式构建方法,本文将增量学习算法融合到成图方法中,使其具有动态成图功能,并可实现最简模式和完备模式临界的数据挖掘过程。随着数据粒化和增量学习的实现,数据维数也会随之提高,为了选择高价值特征,减少噪声数据对分类的影响,本文引入基于最小绝对值收缩和选择算子算法（Least absolute shrinkage and selection operator,Lasso）实现对定性数据和定量数据的属性特征选择,既保证了模式识别准确率同时有利于可视化效果。本文首先对增量学习算法、特征选择、形式概念分析做了研究现状分析,并阐述了混合数据处理、属性偏序原理、覆盖原理、一致决策模式规则表相关理论知识为后文算法提出做基础。之后以属性偏序结构图的成图算法为主线提出了基于最小基尼指数的连续数据粒化算法,以及混合数据处理方法生成形式背景。针对增量学习维数大量升高的问题,设计了基于特征选择的多级联Lasso特征选择组合反馈系统,以保证准确率的前提下选择局部最优组合。同时提出了基于CGAO（Combination of Gini And Objects）的新的行列优化准则实现数据结构优化,给出了分层模式矩阵的计算机生成算法。最后结合属性偏序结构图实现规则可视化,采用本文分类方法以5个标准UCI标准数据库为实验数据,并与KNN、SVM、Adaboost、Random Forest分类器进行分类准确度比较,其中Pima Indians Diabetes数据学习达到40%增量比例时模式识别的准确率（77.66%）超过Adaboost（75.32%）、SVM（77.27%）、1NN（59.74%）、3NN（75.97%）三个主流分类器,且学习比例为90%时准确率可达80.52%。结果显示,采用本文提出的可视化模式识别方法进行准确性的试验和比较,验证了可视化增量学习的必要性。
刘旋[5]（2017）在《基于云模型的图像多粒度聚类研究》文中提出图像分割是机器视觉和图像处理领域的重要组成部分,可以提取图像中感兴趣的目标区域,进而为特征提取与模式识别奠定基础。图像信息的范围大小和精细程度取决于粒度层次的选择,不同粒度的分割效果其差异性也较大。因此,欠分割和过分割不仅是传统分割方法的矛盾点所在,同时也是单一粒度分割技术的局限性所在。为此,采用多粒度的方法去分析和处理图像,能够实现自适应的图像分割。但是,现有的多粒度分割方法存在粒度信息传递不准确的问题,而云模型作为一种双向认知模型,能够定性和定量地刻画不同粒度之间的关系。所以,本文基于云模型理论建立了多粒度聚类模型,该模型通过综合多个粒度层次的聚类结果对图像进行分割,不仅提高了分割的精度,而且实现了自适应的目标提取。本文的主要贡献如下:1.提出了一种基于高斯云变换的多粒度聚类方法。首先,采用FCM聚类降低高斯云变换算法的时间复杂度;其次,结合幅度云综合算法改进了概念跃升策略;最后,通过度量距离把像素划分到所属类别中。该方法解决了遥感图像中多粒度和多尺度的生成问题,通过多粒度聚类更高效准确的实现了遥感图像的自适应分割。2.提出了一种结合区域云变换的多粒度聚类方法。首先,基于HSV颜色空间的量化,计算彩色图像的区域信息;然后,利用改进的云变换算法对图像进行细粒度分割;最后,采用结合区域信息的云综合算法实现了从细粒度到粗粒度的图像聚类过程。该方法更精确地划分了彩色图像的边缘区域,实现了自适应的图像分割。
马贺[6]（2015）在《基于粒计算的组合逻辑电路快速优化算法研究》文中研究说明组合逻辑电路的优化是组合逻辑电路分析和设计的关键内容。优化的本质是对真值表或者逻辑函数式进行化简。传统的优化方法主要有：公式法、卡诺图法、Q-M算法及其改进算法。工业中大多采用电子设计自动化手段，随着电路规模和复杂性不断提高，组合逻辑电路的优化也会面临大数据的挑战，传统的方法还会有很大改进空间。粒计算是处理大规模、复杂问题的有效手段，利用粒计算解决组合数字逻辑电路中的优化问题，是一个新的尝试和挑战。本文从知识工程的角度对逻辑优化问题进行描述和求解，将粒计算应用于组合逻辑电路的优化，将组合逻辑电路的优化转换为逻辑系统的规则提取，改变了传统组合逻辑电路优化的思路，更快的得到正确结果，并将多输入单输出真值表约简扩展为多输入多输出真值表约简，提高运算效率。首先，对基于粒计算的真值表约简算法进行改进，并建立由粒矩阵刻画的等价关系模型，利用矩阵运算，在不同粒度空间同时寻找多个输出的可能解，并利用粒矩阵中存在的启发式知识减少搜索空间，设计了多输入多输出真值表快速并行约简算法。为了节约运算空间，本文还对粒矩阵的知识表示形式进行改进，提出基于粒计算的多输入多输出逻辑函数式约简算法，将矩阵运算转换为统计运算，大大节约了运算时间。以发光二极管为例，详细说明了以上两种算法的具体计算过程。通过算法证明以及与Multisim软件进行实验对比，证明了该算法的正确性和有效性。其次，本文将最小项存在的统计特性与粒计算相结合，提出多输入单输出逻辑函数式约简算法。首先将逻辑函数转化为最小项之和的表达形式，按照粒度由粗到细，在不同粒度下的知识空间中求取信息粒，同时利用启发式知识减小搜索空间，通过设置停止条件，得到最终结果。文中以具体实例来说明了算法的具体步骤，同时与Multisim软件进行实验对比，说明了本算法的正确性。最后，设计了一个简单的逻辑函数约简系统，该系统集成了本文中所提出的4种算法以及一些传统算法，设计了多种输入输出形式，便于用户操作。本文提出的4种逻辑函数约简算法，克服了传统约简算法存在的计算冗余大、时间和空间复杂性高等问题，更能适用于大规模电路的逻辑约简。
马媛媛,孟慧丽,徐久成,朱玛[7]（2014）在《基于粒计算的正态粒集下的格贴近度》文中提出通过对传统模糊集贴近度公理化定义的改造,使得粒集的格贴近度反映两个粒集之间的接近程度。对实例分析后,给出基于粒计算满足正态分布的一种格贴近度函数及其相关定理和证明,方便实际问题的分析和处理。
石兵[8]（2013）在《基于云模型的粒编码遗传算法》文中研究说明随着自然科学的不断发展和现代科技的不断进步,最优化问题的理论研究中涌现出许多高维、大规模、优化难度高的优化问题,如高维、多目标、多模态函数优化问题、旅行商问题（Traveling Salesman Problem, TSP）、0-1背包问题（Knapsack Problem）、装箱问题（Bin Packing Problem）、调度问题（Scheduling Problem）、图像平滑问题（Image Smoothing）、布林可满足性问题（Boolean Satisfiability Problem; SAT）等。与此同时,在实际应用中的各个领域也相继涌现出许多大规模、优化难度高的最优化问题,如最优设计、最优分配、最优调度、大规模集成电路布线问题等。此时运用传统的优化方法对以上优化问题进行求解很难获得满意的结果,甚至无法对这些问题进行求解。因此,高效、性能好的优化算法已经成为学者、专家们的研究热点。遗传算法（Genetic Algorithm, GA）是20世纪70年代初由美国Michigan大学Holland教授提出的一种借鉴生物体自然选择和遗传机制的随机搜索算法,由于遗传算法较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点,因而广泛应用于函数优化、生产调度问题、组合优化、结构设计、图像处理、自动控制、人工智能等领域。传统遗传算法在优化高维、复杂函数问题时,存在易陷入局部最优点、过早“早熟”、演化效率低等缺点。经过分析,传统遗传算法易陷入局部最优点的原因之一是遗传算子对个体的一次操作的结果是对解空间中一个特定点作用,而对该点邻域的采样密度影响不大。本文以实现对解空间某一邻域进行一定密度的采样为目标,采用粒编码,使传统遗传算法中“点到点’的搜索变为“粒到粒”的粗粒度搜索过程,压缩了编码长度,使算法具有更高的演化效率。本文的主要工作为：（1）设计了一种以二进制数为编码、云为采样机制的粒编码方式。同时设计了粒编码方式下个体的表现形式以及个体的评价方法。（2）设计了粒信息保存策略和En非线性减小策略。粒信息保存策略为算法的设计和顺利执行奠定了基础；En非线性减小策略保证了算法在演化前期具有高的空间覆盖度做全局搜索,演化中期从全局搜索向精确搜索过渡,演化后期做精确搜索,进一步提高算法的收敛精度。（3）针对数值优化问题,基于粒编码方式,设计了遗传算子和粒编码遗传算法。测试了GCGA的全局搜索能力和算法参数对GCGA性能的影响。高维和低维复杂函数的数值优化实验表明,GCGA能够跳出局部最优点,搜索到全局最优点,且具高的收敛精度；与其他优秀、经典的进化算法的优化结果进行对比,表明GCGA是一种优秀的改进的进化算法,粒编码方式是一种优秀、高效的编码方式。（4）GCGA在PID参数优化的应用。实验结果表明,GCGA用于优化PID参数,能使整个PID控制系统具有较小的超调量和调整时间,符合实际工程应用的需求,说明GCGA在实际工程应用方面具有广阔的应用前景。
苗苗苗[9]（2012）在《数据挖掘中海量数据处理算法的研究与实现》文中研究表明数据挖掘就是从大量的数据中提取出有用的、有价值的信息或者人们所感兴趣的知识的一种处理过程。但是随着不断迅速发展的信息互联网和数据库技术，已经迫使海量数据的处理成为数据挖掘领域所要解决的一个重要课题。本文以“电信数据挖掘系统的设计与开发”的项目为研究背景，通过对海量数据处理技术的研究，提出了使用内存映射文件技术对海量数据进行初步处理的方法；通过对海量数据挖掘算法及粒计算理论知识的研究，本文提出了两种数据挖掘算法：一种是基于矩阵压缩的Apriroi算法（MC-Apriori），这种算法是在经典Apriori算法基础上的改进，把事务数据转化为0-1矩阵，并按照Apriori性质及其推论对矩阵进行反复压缩，进而得到各项频繁项集，此算法也在一定程度上减少了数据规模及其计算量；一种是基于粒计算的关联规则挖掘算法（Grc-AR），此算法是在MC-Apriori算法的基础上引入粒计算的思想，把海量数据集划分成若干个小数据集，然后对各个小数据集进行操作，并对结果进行整合，得到最终结果。本文以某市移动用户的通话记录为数据样本，分别实现了这两种算法，并对实验结果进行了分析与比较。实验结果证明这两种算法均没有失去算法的有效性，但在实际处理海量数据时，Grc-AR更适合处理海量数据集，算法的可伸缩性好。最后并从海量的电信数据集中，提取出了一些有价值的信息，给电信运营商提供了决策支持。
胡军[10]（2010）在《基于覆盖的粒计算模型及其应用研究》文中研究表明粒计算作为一种新的计算理论,涵盖了所有与粒度有关的理论、方法和技术。它通过对现实问题进行多视角、多层次的理解和描述,从而得到问题的粒结构表示,是研究复杂问题求解、海量数据挖掘和模糊信息处理等的有效工具。粗糙集理论是处理不确定、不精确、不完备等问题的有效数学理论方法,也是粒计算的主要计算范式之一。经典粗糙集理论基于论域上的等价关系,并将等价关系看成是现实世界的知识在某个粒度上的描述。然而,在很多实际问题中,等价关系的要求过于严格,从而限制了粗糙集理论的应用。对此,研究者从多个角度对经典粗糙集理论做了许多有意义的推广。其中,基于覆盖的粗糙集模型扩展将知识抽象成论域上的覆盖,具有不依赖于问题的具体描述的特性。本文的研究以粗糙集理论为计算方法,以覆盖作为知识的表示形式,试图建立一套基于覆盖的粒计算理论模型,具体研究了覆盖近似空间中概念描述的不确定性,覆盖近似空间的知识粒度比较与度量,覆盖近似空间中模糊概念的描述、覆盖近似空间的知识约简、覆盖近似空间的扩展及其应用等关键问题,并取得了如下研究成果：（1）提出了一种新的覆盖粗糙集的模糊度,该模糊度克服了现有不确定性度量方法存在的不合理性。针对Bonikowski覆盖粗糙集,通过分析现有的不确定性度量方法,发现它们都存在一定的不合理性。基于模糊性和粗糙性在描述不确定性上的一致性假设,通过粗糙隶属函数将粗糙集映射到模糊集,借用现有的模糊集的不确定性度量方法,提出了一种称为修正模糊度的粗糙集的不确定性度量方法。该修正模糊度克服了已有不确定性度量方法的不合理性,分析表明该修正模糊度对不确定性的刻画更符合人们的认知规律。（2）提出了一种新的覆盖近似空间上的较细关系和一种覆盖近似空间的知识熵,分别从定性和定量的角度研究了覆盖近似空间上的知识粒度关系。通过分析发现现有的覆盖近似空间上的偏序关系都存在不合理性,重新定义了一种覆盖近似空间上的偏序关系,证明覆盖近似空间的近似能力和覆盖近似空间的知识粒度之间具有相互依赖关系。定义了覆盖近似空间的知识熵,给出了覆盖近似空间知识量的度量方法,从定量的角度对覆盖近似空间中元素的可约性进行了解释。这些研究成果分别从定性和定量的角度为构建覆盖近似空间的层次模型提供了方法。
二、信息的粒化与划分(覆盖)解粒（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、信息的粒化与划分(覆盖)解粒（论文提纲范文）
（1）可信粒度准则框架下基于粗糙聚类的信息粒化方法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粗糙聚类研究进展 |
| 1.2.2 信息粒化研究进展 |
| 1.2.3 粒化分析的应用现状 |
| 1.3 研究目标 |
| 1.4 研究内容 |
| 1.5 论文组织结构 |
| 第二章 相关概念与基础知识 |
| 2.1 信息粒化与可信粒度准则 |
| 2.2 粗糙集与模糊集相关理论 |
| 2.3 粗糙聚类及相关算法 |
| 2.3.1 FKM聚类 |
| 2.3.2 RKM聚类 |
| 2.3.3 FRKM聚类 |
| 2.3.4 IT2FKM聚类 |
| 2.4 K原型聚类及相关算法 |
| 2.4.1 KP聚类 |
| 2.4.2 FKP聚类 |
| 2.5 本章小结 |
| 第三章 结合区间二型FRKM与混合度量的两阶段信息粒化 |
| 3.1 引言 |
| 3.2 粒子特性描述问题 |
| 3.3 基于区间二型模糊粗糙K均值聚类及混合度量的粒化算法 |
| 3.3.1 考虑类簇不均衡的区间二型模糊粗糙K均值聚类 |
| 3.3.2 结合区间二型FRKM与混合度量的两阶段信息粒化算法 |
| 3.4 实验分析 |
| 3.4.1 人工数据集对比分析 |
| 3.4.2 UCI标准数据集对比分析 |
| 3.5 本章小结 |
| 第四章 两阶段框架下面向混合数据的熵权模糊粗糙K-prototype信息粒化算法 |
| 4.1 引言 |
| 4.2 混合数据的信息粒化 |
| 4.2.1 不确定混合数据的相异性度量问题 |
| 4.2.2 混合数据关于粒子特性的度量问题 |
| 4.3 两阶段框架下面向混合数据的熵权模糊粗糙K-prototype信息粒化算法 |
| 4.3.1 结合熵权法的模糊粗糙K原型聚类 |
| 4.3.2 IGMD-EFRKP粒化算法 |
| 4.4 实验分析 |
| 4.4.1 实验预处理 |
| 4.4.2 UCI标准数据集实验分析 |
| 4.4.3 算法时间性能分析 |
| 4.5 本章小结 |
| 第五章 两阶段信息粒化在FCC吸附脱硫工艺中的应用 |
| 5.1 引言 |
| 5.2 FCC汽油吸附脱硫实验数据 |
| 5.3 FCC汽油脱硫率在MMIG-IT2FRKM粒化算法下的实验分析 |
| 5.3.1 反应器温度对脱硫率的影响分析 |
| 5.3.2 反应系统压力对脱硫率的影响分析 |
| 5.3.3 装置流量对脱硫率的影响分析 |
| 5.3.4 吸附剂料位对脱硫率的影响分析 |
| 5.4 高脱硫率下各反应条件对汽油辛烷值的影响分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文内容总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（2）基于粒函数的自适应模糊控制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 本文研究背景 |
| 1.3 过程控制算法的研究与发展 |
| 1.4 论文主要研究内容及创新点 |
| 1.5 论文结构安排 |
| 第2章 自适应模糊PID控制算法的理论基础 |
| 2.1 PID控制算法 |
| 2.1.1 PID控制器 |
| 2.1.2 PID算法的离散化 |
| 2.1.3 PID控制参数的整定 |
| 2.2 模糊控制算法 |
| 2.2.1 模糊控制的基本概念 |
| 2.2.2 模糊控制系统的组成 |
| 2.3 自适应模糊PID控制算法 |
| 2.3.1 自适应模糊PID控制系统的设计 |
| 2.4 本章小结 |
| 第3章 粒计算与粒函数 |
| 3.1 粒计算基本概念 |
| 3.1.1 粒 |
| 3.1.2 粒化 |
| 3.1.3 层次 |
| 3.1.4 粒结构 |
| 3.2 粒函数 |
| 3.2.1 粒的计算 |
| 3.2.2 粒函数的定义和表示方法 |
| 3.3 模糊粒函数理论 |
| 3.3.1 信息粒化理论 |
| 3.3.2 模糊信息粒化理论 |
| 3.4 本章小结 |
| 第4章 基于自适应模糊PID控制的水箱系统设计 |
| 4.1 双容水箱系统机理模型 |
| 4.1.1 双容水箱液位控制系统数学模型建立 |
| 4.1.2系统模型仿真实验 |
| 4.2 自适应模糊PID控制器设计 |
| 4.2.1 自适应模糊PID控制器组成 |
| 4.2.2 自适应模糊PID控制器的设计 |
| 4.2.3 自适应模糊控制器的变量选取与控制规则 |
| 4.2.4 输出量的清晰化 |
| 4.2.5 控制器的仿真与实验 |
| 4.3 本章小结 |
| 第5章 基于粒函数的自适应模糊PID控制系统设计 |
| 5.1 基于粒函数的模糊控制模型 |
| 5.1.1 传统模糊控制器控制水箱实验 |
| 5.1.2 基于粒函数的模糊控制器实验 |
| 5.2 基于粒函数的自适应模糊PID控制系统 |
| 5.2.1 基于粒函数的自适应模糊 PID 控制器实验 |
| 5.2.2 控制器仿真结果分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的科研成果 |
| 致谢 |
（3）用于系统建模和数据挖掘的粒度数据描述（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 粒计算的发展现状 |
| 1.3 本文的研究目的和意义 |
| 1.4 本文的主要工作 |
| 1.4.1 信息粒的编码与解码 |
| 1.4.2 基于合理粒度准则创建信息粒描述符与信息粒的性能评估 |
| 1.4.3 粒度数据描述:ε-信息粒簇的设计 |
| 1.4.4 粒度TS模糊模型的设计与实现:模糊子空间聚类与信息粒度最优分配的结合 |
| 1.4.5 非平衡数据集的粒度化欠采样 |
| 第二章 信息粒和信息粒度 |
| 2.1 信息粒和信息粒度 |
| 2.2 信息粒的描述以及处理机制 |
| 2.2.1 集合 |
| 2.2.2 模糊集 |
| 2.2.3 阴影集 |
| 2.2.4 其他模型 |
| 2.3 信息粒度的量化 |
| 2.4 高型和高阶的信息粒以及混合信息粒 |
| 第三章 信息粒的编码与解码 |
| 3.1 信息粒描述符和编码解码 |
| 3.2 粒数据描述和重建 |
| 3.3 使用码本表示和重建粒数据 |
| 3.3.1 表示机制 |
| 3.3.2 重建机制 |
| 3.4 码本的优化 |
| 3.4.1 优化目标 |
| 3.4.2 使用PSO算法对码本进行优化 |
| 3.5 实验 |
| 3.5.1 一维数据 |
| 3.5.2 多维数据 |
| 3.6 应用研究：粒模糊网络的解释 |
| 3.7 结论 |
| 第四章 基于合理粒度准则创建信息粒描述符与信息粒的性能评估 |
| 4.1 利用粒描述符描述数据 |
| 4.2 合理粒度准则和粒化-解粒化机制 |
| 4.3 信息粒的创建 |
| 4.3.1 指导创建信息粒的目标函数 |
| 4.3.2 评估信息粒重建能力的目标函数 |
| 4.4 使用DE算法对目标函数进行优化 |
| 4.5 实验 |
| 4.5.1 二维合成数据集 |
| 4.5.2 Seeds数据集 |
| 4.5.3 ILPD (Indian Liver Patient Dataset)数据集 |
| 4.5.4 Wilt数据集 |
| 4.6 结论 |
| 第五章 粒度数据描述:ε-信息粒簇的设计 |
| 5.1 粒描述符的优势 |
| 5.2 FCM算法及其优化版本 |
| 5.2.1 Fuzzy C-Means -底层算法和表示机制 |
| 5.2.2 Fuzzy C-Means的改进版本 |
| 5.2.3 重建误差评判准则 |
| 5.3 信息粒的构造过程 |
| 5.3.1 产生数值原型 |
| 5.3.2 形成 ε-信息粒簇 |
| 5.3.3 数据的粒度重建 |
| 5.3.4 粒数据描述符的性能评价 |
| 5.4 总体优化过程 |
| 5.5 实验 |
| 5.5.1 二维合成数据集 |
| 5.5.2 Wilt数据集 |
| 5.5.3 MiniBooNE particle identification数据集 |
| 5.5.4 Statlog (Shuttle)数据集 |
| 5.6 结论 |
| 第六章 粒度TS模糊模型的设计与实现 |
| 6.1 粒度TS模型 |
| 6.2 特征加权FCM算法 |
| 6.3 利用模糊聚类算法建立TS模糊模型 |
| 6.4 粒模糊模型 |
| 6.5 信息粒度的最优分配和目标函数 |
| 6.6 实验 |
| 6.6.1 二维合成数据集 |
| 6.6.2 具有偏态分布的合成数据集 |
| 6.6.3 Concrete Compressive Strength数据集 |
| 6.6.4 Wine Quality(red wine)数据集 |
| 6.6.5 Physicochemical Properties of Protein Tertiary Structure数据集 |
| 6.7 结论 |
| 第七章 非平衡数据集的粒度化欠采样 |
| 7.1 非平衡数据集 |
| 7.2 相关研究进展 |
| 7.2.1 采样方法 |
| 7.2.2 算法层面的改进 |
| 7.2.3 代价敏感学习策略 |
| 7.2.4 分类器组合策略 |
| 7.3 粒计算和信息粒 |
| 7.4 粒度欠采样方法 |
| 7.4.1 构造信息粒 |
| 7.4.2 粒数据的欠采样 |
| 7.4.3 数值数据的加权 |
| 7.5 分类器和目标函数 |
| 7.5.1 基于加权数据的支持向量机 |
| 7.5.2 基于加权数据的K近邻算法 |
| 7.5.3 评价准则 |
| 7.6 实验 |
| 7.6.1 二维合成数据集 |
| 7.6.2 机器学习数据集 |
| 7.7 结论 |
| 第八章 总结与展望 |
| 8.1 主要工作总结 |
| 8.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于增量学习和特征选择融合的可视化模式识别方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关领域的国内外研究现状 |
| 1.2.1 增量学习研究现状 |
| 1.2.2 特征选择研究现状 |
| 1.2.3 形式概念分析研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 相关理论知识 |
| 2.1 数据粒化 |
| 2.2 属性偏序相关理论 |
| 2.2.1 形式背景与概念 |
| 2.2.2 特征属性概念 |
| 2.2.3 属性偏序结构图生成方法 |
| 2.3 增量学习覆盖理论 |
| 2.4 规则提取 |
| 2.4.1 模式规则提取相关定义 |
| 2.4.2 规则提取可视化 |
| 2.5 本章小结 |
| 第3章 属性偏序结构图的生成与优化 |
| 3.1 引言 |
| 3.2 数据预处理 |
| 3.2.1 基于最小基尼指数的粒化算法 |
| 3.2.2 混合数据预处理方法 |
| 3.2.3 粒化方法的模式识别验证 |
| 3.3 属性偏序结构图生成 |
| 3.3.1 基于CGAO的形式背景优化 |
| 3.3.2 基尼指数计算 |
| 3.3.3 基于CGAO的计算 |
| 3.3.4 基于CGAO的形式背景优化 |
| 3.3.5 分层优化原理说明 |
| 3.3.6 分层模式矩阵计算机生成算法 |
| 3.4 本章小结 |
| 第4章 基于覆盖原理的增量学习 |
| 4.1 引言 |
| 4.2 典型的机器学习算法的增量构建方法 |
| 4.2.1 基于决策树的增量学习算法 |
| 4.2.2 概念格增量学习算法 |
| 4.3 基于覆盖原理的增量学习算法 |
| 4.3.1 覆盖增量学习算法 |
| 4.3.2 增量学习的属性偏序结构图更新 |
| 4.3.3 增量学习算法流程 |
| 4.3.4 实际数据运行测试 |
| 4.4 本章小结 |
| 第5章 基于Lasso算法的特征选择 |
| 5.1 引言 |
| 5.2 岭回归 |
| 5.3 Lasso回归 |
| 5.4 LARS算法 |
| 5.5 LARS算法的代数定义 |
| 5.6 回归路径图以及变量选择 |
| 5.7 多级Lasso组合反馈 |
| 5.7.1 两级特征选择组合 |
| 5.7.2 级联特征选择数目准确率比较 |
| 5.8 本章小结 |
| 第6章 增量学习和特征选择融合的模式识别方法 |
| 6.1 引言 |
| 6.2 设计实验步骤 |
| 6.3 方法验证 |
| 6.3.1 方法有效性验证 |
| 6.3.2 增量学习验证 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）基于云模型的图像多粒度聚类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割研究现状 |
| 1.2.2 多粒度理论研究现状 |
| 1.3 现有研究存在的问题 |
| 1.4 本文研究内容和组织结构 |
| 第2章 相关理论研究 |
| 2.1 多粒度理论 |
| 2.2 云模型理论 |
| 2.2.1 云模型的定义 |
| 2.2.2 云模型的数字特征 |
| 2.2.3 云模型的相关算法 |
| 2.3 基于云模型的多粒度聚类 |
| 2.4 本章小结 |
| 第3章 基于高斯云变换的遥感图像多粒度聚类 |
| 3.1 遥感图像的多粒度分割 |
| 3.2 高斯云变换 |
| 3.2.1 高斯混合模型 |
| 3.2.2 云模型的概念共识 |
| 3.2.3 自适应高斯云变换 |
| 3.3 基于高斯云变换的多粒度聚类 |
| 3.3.1 算法效率的提升 |
| 3.3.2 概念跃升策略的优化 |
| 3.3.3 概念划分的改进 |
| 3.3.4 算法流程 |
| 3.4 实验结果与分析 |
| 3.4.1 多粒度聚类分析 |
| 3.4.2 本章方法与A-GCT算法的对比实验 |
| 3.4.3 本章方法与其他算法的对比实验 |
| 3.5 本章小结 |
| 第4章 结合区域云变换的彩色图像多粒度聚类 |
| 4.1 彩色图像的多粒度分割 |
| 4.2 颜色空间的选择与量化 |
| 4.3 结合区域云变换的多粒度聚类 |
| 4.3.1 空间信息的构造 |
| 4.3.2 基于区域云变换的图像粒化 |
| 4.3.3 基于多粒度的区域合并 |
| 4.3.4 算法流程 |
| 4.4 实验结果与分析 |
| 4.4.1 云模型的“3En”规则验证 |
| 4.4.2 实验对比结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）基于粒计算的组合逻辑电路快速优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 组合逻辑电路优化研究动态 |
| 1.2.2 粒计算研究动态 |
| 1.3 论文的主要内容和结构安排 |
| 1.3.1 主要内容 |
| 1.3.2 结构安排 |
| 第二章 基于粒计算的组合逻辑优化 |
| 2.1 逻辑函数的表示方法 |
| 2.1.1 逻辑函数式 |
| 2.1.2 真值表 |
| 2.1.3 卡诺图 |
| 2.1.4 立方体表示 |
| 2.1.5 各种表示方法之间的转换 |
| 2.2 传统的组合逻辑优化方法 |
| 2.2.1 卡诺图法 |
| 2.2.2 公式法 |
| 2.2.3 Q-M 算法 |
| 2.2.4 立方体法 |
| 2.2.5 实例分析 |
| 2.3 粒计算与组合逻辑优化相结合 |
| 2.3.1 组合逻辑优化存在的问题 |
| 2.3.2 粒计算在规则约简中的应用 |
| 2.3.3 粒计算在组合逻辑优化中的应用 |
| 第三章 基于粒计算的真值表快速粒约简算法 |
| 3.1 单输出真值表约简 |
| 3.1.1 相关定义 |
| 3.1.2 算法流程 |
| 3.2 改进的单输出真值表约简 |
| 3.2.1 相关定义 |
| 3.2.2 算法步骤 |
| 3.2.3 实例分析 |
| 3.2.4 算法分析 |
| 3.3 多输出真值表约简 |
| 3.3.1 相关定义 |
| 3.3.2 基本步骤 |
| 3.3.3 实例分析 |
| 3.3.4 算法分析 |
| 3.4 本章小结 |
| 第四章 基于粒计算的逻辑函数式快速粒约简算法 |
| 4.1 单输出逻辑函数式约简 |
| 4.1.1 相关定义 |
| 4.1.2 算法步骤 |
| 4.1.3 实例分析 |
| 4.1.4 算法分析 |
| 4.2 多输出逻辑函数式约简 |
| 4.2.1 相关定义 |
| 4.2.2 算法步骤 |
| 4.2.3 实例分析 |
| 4.2.4 算法分析 |
| 4.2.5 算法比较 |
| 4.3 本章小结 |
| 第五章 基于粒计算的组合逻辑优化系统设计 |
| 5.1 系统的总体目标 |
| 5.2 系统的开发环境 |
| 5.3 系统的设计与实现 |
| 5.3.1 系统的总体结构 |
| 5.3.2 系统的详细设计 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（7）基于粒计算的正态粒集下的格贴近度（论文提纲范文）
| 0 引言 |
| 1 粒计算的基础知识 |
| 2 基于粒计算的综合格贴近度 |
| 3 基于粒计算正态粒集下的格贴近度 |
| 4 实例分析 |
| 5 结论 |
（8）基于云模型的粒编码遗传算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 图目录 |
| 表目录 |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 遗传算法 |
| 1.2.1 遗传算法概述 |
| 1.2.2 遗传算法的研究现状 |
| 1.2.3 粒编码遗传算法与上述算法的对比研究 |
| 1.3 研究背景和意义 |
| 1.3.1 研究背景 |
| 1.3.2 研究意义 |
| 1.4 本文的主要工作和结构安排 |
| 第2章 相关基本概念 |
| 2.1 数值优化问题 |
| 2.2 云模型 |
| 2.2.1 云的定义 |
| 2.2.2 云的数字特征和一维正态云发生器算法 |
| 2.2.3 3En规则 |
| 2.2.4 云的采样特性 |
| 2.2.5 云模型在进化算法中的应用 |
| 2.3 粒 |
| 2.4 采样密度 |
| 2.5 空间覆盖度 |
| 2.6 小结 |
| 第3章 基于云模型的粒编码遗传算法(GCGA) |
| 3.1 粒编码个体 |
| 3.1.1 粒编码方式 |
| 3.1.2 粒编码个体 |
| 3.1.3 粒编码个体与传统二进制编码个体的对比 |
| 3.1.4 粒编码个体的评价 |
| 3.2 粒信息保存策略和(Ex、En、He)的赋值 |
| 3.2.1 粒信息保存策略 |
| 3.2.2 (Ex、En、He)的赋值 |
| 3.3 GCGA的演化机制 |
| 3.3.1 种群初始化 |
| 3.3.2 交叉算子 |
| 3.3.3 变异算子 |
| 3.3.4 定向种群 |
| 3.3.5 邻域搜索算子 |
| 3.4 GCGA算法流程 |
| 3.5 小结 |
| 第4章 算法性能测试 |
| 4.1 传统GA优化性能测试 |
| 4.2 算法搜索性能测试 |
| 4.3 GCGA在低维函数优化问题中的应用 |
| 4.3.1 测试函数 |
| 4.3.2 参数设置 |
| 4.3.3 实验结果 |
| 4.4 参数对GCGA优化性能的影响 |
| 4.4.1 参数N对GCGA优化性能的影响 |
| 4.4.2 参数η对GCGA优化性能的影响 |
| 4.4.3 参数ρ对GCGA优化性能的影响 |
| 4.5 GCGA在高维函数优化问题中的应用 |
| 4.5.1 测试函数 |
| 4.5.2 参数设置 |
| 4.5.3 实验结果 |
| 4.6 小结 |
| 第5章 GCGA在PID参数优化中的应用 |
| 5.1 PID控制器 |
| 5.1.1 PID控制的基本原理 |
| 5.1.2 比例、积分、微分环节对控制效果的影响 |
| 5.1.3 控制系统的性能评价指标 |
| 5.2 GCGA对PID参数的优化 |
| 5.2.1 基于GCGA的PID控制系统参数优化的原理 |
| 5.2.2 GCGA优化PID参数的算法流程 |
| 5.3 GCGA优化PID参数仿真实验 |
| 5.4 小结 |
| 第6章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（9）数据挖掘中海量数据处理算法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 研究现状 |
| 1.3 论文研究的主要内容 |
| 1.4 论文组织结构 |
| 2 海量数据处理技术 |
| 2.1 并行处理技术 |
| 2.1.1 分布式计算 |
| 2.1.2 云计算 |
| 2.2 随机抽样方法 |
| 2.3 内存映射文件技术 |
| 2.4 粒计算 |
| 2.5 小结 |
| 3 粒计算与 Apriori 关联规则挖掘算法 |
| 3.1 粒计算理论知识介绍 |
| 3.1.1 粒计算的概念 |
| 3.1.2 粒的计算 |
| 3.1.3 粒计算的主要模型 |
| 3.2 Apriori 关联规则挖掘算法 |
| 3.2.1 Apriori 算法 |
| 3.3 小结 |
| 4 基于矩阵压缩的 Apriori 算法改进 |
| 4.1 相关概念和性质 |
| 4.2 改进的 Apriori 算法 |
| 4.2.1 改进算法的思路 |
| 4.2.2 改进的 Apriori 算法 |
| 4.3 算法分析与测试 |
| 4.3.1 算法分析 |
| 4.3.2 算法测试 |
| 4.4 小结 |
| 5 基于粒计算的关联规则挖掘算法 |
| 5.1 基于粒计算的关联规则挖掘算法 |
| 5.1.1 粒计算的关联规则挖掘算法的设计思想 |
| 5.1.2 基于粒计算的关联规则挖掘算法具体描述 |
| 5.1.3 Grc-AR 算法的实例验证 |
| 5.2 强关联规则挖掘算法 |
| 5.2.1 强关联规则 |
| 5.2.2 强关联规则挖掘算法 Generate_AR |
| 5.3 Grc-AR 算法的性能分析 |
| 5.4 小结 |
| 6 算法应用 |
| 6.1 电信数据挖掘目标定义 |
| 6.2 电信数据的选择 |
| 6.2.1 电信数据的特点 |
| 6.2.2 电信数据的选择 |
| 6.3 电信数据预处理 |
| 6.3.1 数据预处理的意义 |
| 6.3.2 数据预处理流程 |
| 6.3.3 电信数据的预处理 |
| 6.4 关联规则挖掘算法在电信业中应用 |
| 6.4.1 Grc-AR 算法在电信数据中的实现 |
| 6.4.2 算法比较 |
| 6.4.3 电信数据挖掘结果测试 |
| 6.4.4 电信数据挖掘获得的规则 |
| 6.5 小结 |
| 7 总结与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间所发表的论文 |
（10）基于覆盖的粒计算模型及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 粒计算研究概述 |
| 1.3 粒计算的主要理论模型 |
| 1.3.1 词计算理论 |
| 1.3.2 商空间理论 |
| 1.3.3 粗糙集理论 |
| 1.4 基于覆盖的粒计算模型研究现状及存在的问题 |
| 1.5 本文的主要研究内容及创新研究成果 |
| 1.6 本文的组织结构 |
| 第二章 粗糙集理论基础 |
| 2.1 引言 |
| 2.2 PAWLAK粗糙集模型 |
| 2.3 基于覆盖的粗糙集模型扩展 |
| 2.3.1 覆盖近似空间概念基础 |
| 2.3.2 Zakowski覆盖粗糙集模型 |
| 2.3.3 Bonikowski覆盖粗糙集模型 |
| 2.3.4 Tsang覆盖粗糙集模型 |
| 2.3.5 Zhu覆盖粗糙集模型 |
| 2.4 本章小结 |
| 第三章 覆盖粗糙集的不确定性度量 |
| 3.1 引言 |
| 3.2 不确定性度量基础 |
| 3.2.1 模糊集的不确定性度量 |
| 3.2.2 粗糙集的不确定性度量 |
| 3.3 BONIKOWSKI覆盖粗糙集的不确定性度量 |
| 3.3.1 粗糙度 |
| 3.3.2 粗糙嫡 |
| 3.3.3 模糊度 |
| 3.3.4 不确定性度量方法的修正 |
| 3.4 本章小结 |
| 第四章覆盖近似空间的层次模型 |
| 4.1 引言 |
| 4.2 知识粒度基本概念 |
| 4.3 现有覆盖上的知识粒度关系定义及其局限性 |
| 4.4 基于最小描述的覆盖上的知识粒度关系 |
| 4.5 覆盖上的知识粒度关系定义间的联系 |
| 4.6 覆盖近似空间的知识嫡 |
| 4.7 本章小结 |
| 第五章覆盖粗糙模糊集模型及其在模糊决策中的应用 |
| 5.1 引言 |
| 5.2 现有覆盖粗糙集模型的局限性 |
| 5.3 Hu覆盖粗糙模糊集模型 |
| 5.4 不同知识粒度下的Hu覆盖粗糙模糊集 |
| 5.5 覆盖粗糙模糊集间的关系讨论 |
| 5.6 覆盖粗糙模糊集模型在模糊决策中的应用 |
| 5.7 本章小结 |
| 第六章基于覆盖的知识约简模型及其在不完备信息系统处 理中的应用 |
| 6.1 引言 |
| 6.2 不完备信息系统处理方法 |
| 6.3 覆盖近似空间的相对约简 |
| 6.4 覆盖近似空间的知识约简模型 |
| 6.5 基于覆盖的知识约简模型在不完备信息系统处理中的应用 |
| 6.6 本章小结 |
| 第七章 覆盖近似空间的扩展及其在属性约简中的应用 |
| 7.1 引言 |
| 7.2 覆盖决策系统及其属性约简 |
| 7.3 覆盖近似空间的扩展 |
| 7.4 覆盖决策系统的启发式属性约简算法 |
| 7.5 实验与结果分析 |
| 7.6 本章小结 |
| 第八章 结束语 |
| 8.1 主要贡献综述 |
| 8.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表(录用)论文和科研情况 |
四、信息的粒化与划分(覆盖)解粒（论文参考文献）
- [1]可信粒度准则框架下基于粗糙聚类的信息粒化方法研究与应用[D]. 邵丽洁. 南京财经大学, 2021
- [2]基于粒函数的自适应模糊控制系统研究[D]. 许佳佳. 上海师范大学, 2019(08)
- [3]用于系统建模和数据挖掘的粒度数据描述[D]. 朱修彬. 西安电子科技大学, 2018(07)
- [4]基于增量学习和特征选择融合的可视化模式识别方法[D]. 梁怀新. 燕山大学, 2018(05)
- [5]基于云模型的图像多粒度聚类研究[D]. 刘旋. 重庆邮电大学, 2017(04)
- [6]基于粒计算的组合逻辑电路快速优化算法研究[D]. 马贺. 太原理工大学, 2015(09)
- [7]基于粒计算的正态粒集下的格贴近度[J]. 马媛媛,孟慧丽,徐久成,朱玛. 山东大学学报(理学版), 2014(08)
- [8]基于云模型的粒编码遗传算法[D]. 石兵. 太原理工大学, 2013(03)
- [9]数据挖掘中海量数据处理算法的研究与实现[D]. 苗苗苗. 西安建筑科技大学, 2012(02)
- [10]基于覆盖的粒计算模型及其应用研究[D]. 胡军. 西安电子科技大学, 2010(02)