粒計算中的不確定性分析

目錄
叢書序
序
前言
第1章 粒計算中不確定性分析概述 1
1.1 對不確定性的認識 1
1.1.1 不確定性的普遍性 1
1.1.2 不同領域對不確定性的認識 2
1.2 粒計算及不確定性 3
1.2.1 粒計算發(fā)展歷程 3
1.2.2 粒計算主要理論模型 5
1.2.3 粒計算各模型的不確定性分析 8
1.3 基于粗糙集的不確定性分析 10
1.3.1 單粒度與多粒度 11
1.3.2 粒的度量 14
1.3.3 粒的關系 15
1.3.4 知識約簡與規(guī)則提取 16
1.4 本章小結 18
參考文獻 18
第2章 基于三支決策的深度學習級聯(lián)模型研究 25
2.1 引言 25
2.2 研究內(nèi)容 26
2.2.1 知識的多粒度表示 26
2.2.2 多粒度評價指標 27
2.2.3 不確定域求解 28
2.2.4 基于三支決策的深度學習級聯(lián)模型 28
2.3 相關理論 29
2.3.1 三支決策 29
2.3.2 卷積神經(jīng)網(wǎng)絡模型 30
2.4 基于三支決策的深度學習級聯(lián)模型 33 
2.4.1 符號定義 34
2.4.2 知識的多粒度表示 34
2.4.3 多粒度標簽組合算法 36
2.4.4 基于三支決策的深度學習級聯(lián)模型 36
2.4.5 糾正可靠水平監(jiān)督的三支決策級聯(lián)模型 38
2.5 實驗和分析 39
2.5.1 基礎分類器訓練 39
2.5.2 多粒度標簽組合實驗 41
2.5.3 基于三支決策的深度學習級聯(lián)模型實驗 41
2.5.4 糾正可靠水平監(jiān)督的深度學習級聯(lián)模型 42
2.6 本章小結 43
參考文獻 44
第3章 深度學習中不確定性研究及其在監(jiān)控視頻智能分析中的應用 47
3.1 引言 47
3.2 研究內(nèi)容 51
3.3 相關理論 52
3.3.1 卷積神經(jīng)網(wǎng)絡 52
3.3.2 貝葉斯神經(jīng)網(wǎng)絡 54
3.4 基于深度學習不確定性的行人再識別模型 57
3.4.1 基于Identification和Verification融合的深度學習方法 57
3.4.2 基于不確定性分析的優(yōu)化深度學習模型 62
3.5 實驗分析 65
3.5.1 在CUHK03數(shù)據(jù)集上的結果 67
3.5.2 在Market-1501數(shù)據(jù)集上的結果 69
3.5.3 在CUHK01數(shù)據(jù)集上的結果 70
3.5.4 在VIPeR數(shù)據(jù)集上的結果 71
3.6 本章小結 71
參考文獻 72
第4章 鄰域系統(tǒng)中的不確定性度量與魚群智能 75
4.1 引言 75
4.2 鄰域系統(tǒng)中的不確定性度量理論 76
4.2.1 鄰域粗糙集模型 76
4.2.2 鄰域系統(tǒng)的精度與粗糙度度量 78
4.2.3 鄰域系統(tǒng)的公理化度量 79
4.2.4 鄰域系統(tǒng)的熵度量 80
4.2.5 實例分析 82
4.2.6 實驗分析 84
4.3 基于鄰域?；c魚群智能的基因選擇方法 85
4.3.1 鄰域粗糙集?；c基因選擇 86
4.3.2 魚群智能優(yōu)化原理 87
4.3.3 魚群優(yōu)化基因選擇 89
4.3.4 基于鄰域粒化與魚群智能的基因選擇算法 90
4.3.5 實驗結果與分析 90
4.4 本章小結 93
參考文獻 94
第5章 基于三層粒度結構的三支信息度量 97
5.1 引言 97
5.2 決策表及其關于分類的信息度量 100
5.2.1 決策表 100
5.2.2 關于分類的信息度量 101
5.3 決策表的三層粒度結構 102
5.4 決策表的三支信息度量 104
5.4.1 微觀-底層的三支概率 104
5.4.2 中觀-中層的三支權熵 107
5.4.3 宏觀-高層的三支權熵 110
5.5 基于三層粒度結構的三支信息度量的層次分析 114
5.5.1 三支信息度量的層次演化 114
5.5.2 三支信息度量的層次優(yōu)勢 116
5.5.3 三支信息度量的層次算法 117
5.6 決策表實例說明 119
5.7 本章小結 121
參考文獻 122
第6章 基于相容關系的最大分布保持屬性約簡 127
6.1 引言 127
6.2 基本知識 128
6.2.1 區(qū)間值決策系統(tǒng)的粗糙近似 128
6.2.2 區(qū)間值決策系統(tǒng)的分布約簡 132
6.3 區(qū)間值決策系統(tǒng)的最大分布約簡 134 
6.4 實驗驗證與分析 139
6.4.1 約簡結果的對比 140
6.4.2 約簡效率的對比 142
6.5 本章小結 146
參考文獻 147
第7章 大數(shù)據(jù)下層次決策規(guī)則不確定性分析與并行挖掘 149
7.1 引言 149
7.2 基本概念 149
7.3 層次決策規(guī)則不確定性分析 151
7.3.1 單個決策規(guī)則不確定性度量 151
7.3.2 決策規(guī)則集不確定性度量 152
7.3.3 條件粒粗化的層次決策規(guī)則不確定性分析 153
7.3.4 決策粒粗化的層次決策規(guī)則不確定性分析 155
7.4 大數(shù)據(jù)下層次決策規(guī)則并行挖掘方法 160
7.4.1 大數(shù)據(jù)下層次決策規(guī)則并行挖掘模型 161
7.4.2 時間復雜度分析 165
7.4.3 實驗分析 165
7.5 本章小結 169
參考文獻 169
第8章 粒的不確定性度量及其關系研究 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 知識粒度 173
8.2.3 信息粒度、組合粒度、互補熵 174
8.2.4 信息熵、Rough熵、協(xié)同熵 175
8.3 知識度量之間的關系 175
8.3.1 信息粒度、組合粒度等與知識粒度的關系 175
8.3.2 信息熵與其他知識粗糙性度量工具的關系 179
8.4 本章小結 181
參考文獻 181
第9章 基于特征矩陣的動態(tài)覆蓋信息系統(tǒng)屬性約簡 183
9.1 引言 183
9.2 預備知識 184 
9.3 計算第一型和第二型特征矩陣的增量方法 187
9.4 數(shù)據(jù)實驗 195
9.4.1 算法9-1~算法9-4的穩(wěn)定性 196
9.4.2 對象數(shù)量的影響 201
9.4.3 覆蓋集基數(shù)的影響 203
9.5 動態(tài)覆蓋信息系統(tǒng)的知識約簡 205
9.6 本章小結 209
參考文獻 209
第10章 基于模糊粗糙集理論的不確定信息系統(tǒng)及其約簡研究 215
10.1 引言 215
10.2 粗糙集與模糊粗糙集相關理論 217
10.2.1 粗糙集相關理論 217
10.2.2 模糊粗糙集相關理論 218
10.3 基于互信息的模糊粗糙快速約簡算法 219
10.3.1 基于互信息的模糊粗糙集約簡算法 219
10.3.2 基于互信息的模糊粗糙集快速約簡算法 220
10.3.3 實驗結果與分析 221
10.4 基于歸一化互信息的模糊粗糙集約簡算法 227
10.4.1 歸一化互信息及其約簡算法 227
10.4.2 實驗結果與分析 229
10.5 本章小結 231
參考文獻 232
第11章 基于混淆矩陣的三支決策度量體系 234
11.1 引言 234
11.2 三支決策理論基本概念 235
11.3 三支決策的混淆矩陣及其度量 237
11.3.1 基于混淆矩陣拓展的三支基礎度量 237
11.3.2 三支決策混淆矩陣的常見度量模式 240
11.4 基于三支決策混淆矩陣的期望目標函數(shù)構造方法 247
11.4.1 度量指標加權求和法 248
11.4.2 度量指標組合約束法 250
11.5 實例與分析 252
11.5.1 實例描述 252
11.5.2 模型對比分析 255 
11.6 本章小結 257
參考文獻 258
第12章 基于鄰域粗糙集的多標記分類算法研究 261
12.1 引言 261
12.2 相關研究基礎 262
12.2.1 多標記分類 262
12.2.2 鄰域粗糙集模型 266
12.2.3 多標記系統(tǒng)評價指標 268
12.3 基于鄰域粗糙集的多標記分類算法 270
12.4 實驗仿真 274
12.4.1 實驗數(shù)據(jù)集 274
12.4.2 實驗設置 275
12.4.3 實驗結果與分析 275
12.5 本章小結 282
參考文獻 282
附錄A 三支熵的粒化單調(diào)性/非單調(diào)性的實例佐證 287
附錄B 定理5-4的證明——中觀-中層三支權熵的?；瘑握{(diào)性證明 288