粒计算是人工智能的重要分支领域。它以一种粒化的思想和方法来分析与处理问题，这为探究人工智能中普遍存在的不确定性问题提供了新方法。本书介绍粒计算中不确定性分析的最新研究进展。全书共12章，内容涉及经典粗糙集、模糊粗糙集、邻域粗糙集、三支决策、决策规则、邻域系统、深度学习等。每章都深入分析模型及其在应用中存在的不确定性问题，介绍相应的不确定性度量和分析处理方法。
样章试读
目录
- 目录
丛书序
序
前言
第1章 粒计算中不确定性分析概述 1
1.1 对不确定性的认识 1
1.1.1 不确定性的普遍性 1
1.1.2 不同领域对不确定性的认识 2
1.2 粒计算及不确定性 3
1.2.1 粒计算发展历程 3
1.2.2 粒计算主要理论模型 5
1.2.3 粒计算各模型的不确定性分析 8
1.3 基于粗糙集的不确定性分析 10
1.3.1 单粒度与多粒度 11
1.3.2 粒的度量 14
1.3.3 粒的关系 15
1.3.4 知识约简与规则提取 16
1.4 本章小结 18
参考文献 18
第2章 基于三支决策的深度学习级联模型研究 25
2.1 引言 25
2.2 研究内容 26
2.2.1 知识的多粒度表示 26
2.2.2 多粒度评价指标 27
2.2.3 不确定域求解 28
2.2.4 基于三支决策的深度学习级联模型 28
2.3 相关理论 29
2.3.1 三支决策 29
2.3.2 卷积神经网络模型 30
2.4 基于三支决策的深度学习级联模型 33
2.4.1 符号定义 34
2.4.2 知识的多粒度表示 34
2.4.3 多粒度标签组合算法 36
2.4.4 基于三支决策的深度学习级联模型 36
2.4.5 纠正可靠水平监督的三支决策级联模型 38
2.5 实验和分析 39
2.5.1 基础分类器训练 39
2.5.2 多粒度标签组合实验 41
2.5.3 基于三支决策的深度学习级联模型实验 41
2.5.4 纠正可靠水平监督的深度学习级联模型 42
2.6 本章小结 43
参考文献 44
第3章 深度学习中不确定性研究及其在监控视频智能分析中的应用 47
3.1 引言 47
3.2 研究内容 51
3.3 相关理论 52
3.3.1 卷积神经网络 52
3.3.2 贝叶斯神经网络 54
3.4 基于深度学习不确定性的行人再识别模型 57
3.4.1 基于Identification和Verification融合的深度学习方法 57
3.4.2 基于不确定性分析的优化深度学习模型 62
3.5 实验分析 65
3.5.1 在CUHK03数据集上的结果 67
3.5.2 在Market-1501数据集上的结果 69
3.5.3 在CUHK01数据集上的结果 70
3.5.4 在VIPeR数据集上的结果 71
3.6 本章小结 71
参考文献 72
第4章 邻域系统中的不确定性度量与鱼群智能 75
4.1 引言 75
4.2 邻域系统中的不确定性度量理论 76
4.2.1 邻域粗糙集模型 76
4.2.2 邻域系统的精度与粗糙度度量 78
4.2.3 邻域系统的公理化度量 79
4.2.4 邻域系统的熵度量 80
4.2.5 实例分析 82
4.2.6 实验分析 84
4.3 基于邻域粒化与鱼群智能的基因选择方法 85
4.3.1 邻域粗糙集粒化与基因选择 86
4.3.2 鱼群智能优化原理 87
4.3.3 鱼群优化基因选择 89
4.3.4 基于邻域粒化与鱼群智能的基因选择算法 90
4.3.5 实验结果与分析 90
4.4 本章小结 93
参考文献 94
第5章 基于三层粒度结构的三支信息度量 97
5.1 引言 97
5.2 决策表及其关于分类的信息度量 100
5.2.1 决策表 100
5.2.2 关于分类的信息度量 101
5.3 决策表的三层粒度结构 102
5.4 决策表的三支信息度量 104
5.4.1 微观-底层的三支概率 104
5.4.2 中观-中层的三支权熵 107
5.4.3 宏观-高层的三支权熵 110
5.5 基于三层粒度结构的三支信息度量的层次分析 114
5.5.1 三支信息度量的层次演化 114
5.5.2 三支信息度量的层次优势 116
5.5.3 三支信息度量的层次算法 117
5.6 决策表实例说明 119
5.7 本章小结 121
参考文献 122
第6章 基于相容关系的最大分布保持属性约简 127
6.1 引言 127
6.2 基本知识 128
6.2.1 区间值决策系统的粗糙近似 128
6.2.2 区间值决策系统的分布约简 132
6.3 区间值决策系统的最大分布约简 134
6.4 实验验证与分析 139
6.4.1 约简结果的对比 140
6.4.2 约简效率的对比 142
6.5 本章小结 146
参考文献 147
第7章 大数据下层次决策规则不确定性分析与并行挖掘 149
7.1 引言 149
7.2 基本概念 149
7.3 层次决策规则不确定性分析 151
7.3.1 单个决策规则不确定性度量 151
7.3.2 决策规则集不确定性度量 152
7.3.3 条件粒粗化的层次决策规则不确定性分析 153
7.3.4 决策粒粗化的层次决策规则不确定性分析 155
7.4 大数据下层次决策规则并行挖掘方法 160
7.4.1 大数据下层次决策规则并行挖掘模型 161
7.4.2 时间复杂度分析 165
7.4.3 实验分析 165
7.5 本章小结 169
参考文献 169
第8章 粒的不确定性度量及其关系研究 172
8.1 引言 172
8.2 基本概念 173
8.2.1 粗糙度、粗糙熵 173
8.2.2 知识粒度 173
8.2.3 信息粒度、组合粒度、互补熵 174
8.2.4 信息熵、Rough熵、协同熵 175
8.3 知识度量之间的关系 175
8.3.1 信息粒度、组合粒度等与知识粒度的关系 175
8.3.2 信息熵与其他知识粗糙性度量工具的关系 179
8.4 本章小结 181
参考文献 181
第9章 基于特征矩阵的动态覆盖信息系统属性约简 183
9.1 引言 183
9.2 预备知识 184
9.3 计算第一型和第二型特征矩阵的增量方法 187
9.4 数据实验 195
9.4.1 算法9-1~算法9-4的稳定性 196
9.4.2 对象数量的影响 201
9.4.3 覆盖集基数的影响 203
9.5 动态覆盖信息系统的知识约简 205
9.6 本章小结 209
参考文献 209
第10章 基于模糊粗糙集理论的不确定信息系统及其约简研究 215
10.1 引言 215
10.2 粗糙集与模糊粗糙集相关理论 217
10.2.1 粗糙集相关理论 217
10.2.2 模糊粗糙集相关理论 218
10.3 基于互信息的模糊粗糙快速约简算法 219
10.3.1 基于互信息的模糊粗糙集约简算法 219
10.3.2 基于互信息的模糊粗糙集快速约简算法 220
10.3.3 实验结果与分析 221
10.4 基于归一化互信息的模糊粗糙集约简算法 227
10.4.1 归一化互信息及其约简算法 227
10.4.2 实验结果与分析 229
10.5 本章小结 231
参考文献 232
第11章 基于混淆矩阵的三支决策度量体系 234
11.1 引言 234
11.2 三支决策理论基本概念 235
11.3 三支决策的混淆矩阵及其度量 237
11.3.1 基于混淆矩阵拓展的三支基础度量 237
11.3.2 三支决策混淆矩阵的常见度量模式 240
11.4 基于三支决策混淆矩阵的期望目标函数构造方法 247
11.4.1 度量指标加权求和法 248
11.4.2 度量指标组合约束法 250
11.5 实例与分析 252
11.5.1 实例描述 252
11.5.2 模型对比分析 255
11.6 本章小结 257
参考文献 258
第12章 基于邻域粗糙集的多标记分类算法研究 261
12.1 引言 261
12.2 相关研究基础 262
12.2.1 多标记分类 262
12.2.2 邻域粗糙集模型 266
12.2.3 多标记系统评价指标 268
12.3 基于邻域粗糙集的多标记分类算法 270
12.4 实验仿真 274
12.4.1 实验数据集 274
12.4.2 实验设置 275
12.4.3 实验结果与分析 275
12.5 本章小结 282
参考文献 282
附录A 三支熵的粒化单调性/非单调性的实例佐证 287
附录B 定理5-4的证明——中观-中层三支权熵的粒化单调性证明 288
京公网安备 11010102004214号