论文部分内容阅读
随着不确定性人工智能的发展，对问题领域近似建模与分析推理的粒度计算与不精确概率及其图模型已成为人工智能领域研究的热点，本文在对国内外在该方面的研究现状进行深入分析基础上，对粒度计算与不精确概率的基本理论方法及应用进行了系统的研究与探讨，全文主要内容如下： 1．对于粒度计算的一个主要模型“商空间理论”，提出基于可测空间的商空间逼近理论；并给出信息非一致情形下半序结构的融合方法。 2．因果定性网络是Bayes网络的定性抽象，Credal网络是相应于Bayes网络一种扩展，这二者都是不精确概率的图模型表示。实际应用中，人们不一定能得到完整的Bayes网络信息，有时只是某一方面了解较多。本文从粒度计算的角度，提出广义因果定性网络的概念及其定性融合方法，这为Bayes网络结构学习提供一种新的近似建模方法：定性融合逼近。 3．对于高维海量且多模式数据集分类问题，构造性学习算法在很多方面比其他学习算法具有较大优势，但同时也出现一些不足之处。本文从计算学习理论角度将因果网络应用于构造性学习，提出因果覆盖算法。利用训练集包含的因果信息，找到每个类别样本出现机会最大的球领域位置，这为构造性学习算法的优化提供了一个新的思路。不足之处是考虑到计算代价，该算法在第一次取覆盖中心时用到各类的最优中心，它起到“尽量盖住同类样本出现机会最多的球形领域”的作用，而接下的覆盖中心是随机取的，同时因果网络的结构学习不够完善仍在进一步发展中。另一方面，将因果网络结合构造性学习应用于数据挖掘问题中，提出两阶段因果覆盖算法。该算法利用数据的各个属性之间或部分属性之间具有一定的因果关系直接找到影响数据的类别属性的属性集，即父亲属性集，并由此父亲属性集与类别属性一起作为样本集的新属性集，再应用构造性学习算法对降维后的数据集进行分类，这是一种新的降维方法。 4．提出一个无监督学习条件下判断离群点的算法，该算法在试验中被证实是有效的；并指出训练集对学习效果的影响，进而提出训练集中样本之间的鞅性