概念認知學習理論與方法

目錄
第1章緒論1
1.1認知科學簡述1
1.2概念認知學習的基本思想3
1.3本書結構6
第2章預備知識8
2.1模糊集合的基本概念8
2.1.1模糊性和模糊集合8
2.1.2模糊集合的運算10
2.1.3模糊集合的水平截集13
2.2粗糙集的基本概念15
2.3形式概念分析基本理論18
2.4三支概念分析基本理論22
第3章基于逆序Galois聯(lián)絡的認知邏輯26
3.1語法理論26
3.2LGE的一種等價形式LGC29
3.2.1LGC的語法理論29
3.2.2LGC的語義理論30
3.2.3LGC的可靠性與完備性定理31
3.3LGC與EMT4之間的內在聯(lián)系34
3.4LGC與LGE之間的內在聯(lián)系40
3.5一種基于認知系統(tǒng)的邏輯LES42
3.6本章小結48
第4章基于Galois聯(lián)絡的直覺認知邏輯49
4.1IntGC邏輯49
4.2代數(shù)語義及其完備性53
4.3IntGC的Kripke語義及其完備性54
4.4IntGC的有限模型性質及其可判定性59
viii 概念認知學習理論與方法
4.5本章小結60
第5章概念認知的雙向學習機制61
5.1模糊數(shù)據的概念格61
5.2雙向學習系統(tǒng)和信息粒63
5.3模糊數(shù)據的雙向學習機制67
5.4雙向學習算法與實驗分析70
5.4.1模糊數(shù)據的雙向學習算法70
5.4.2時間復雜度分析72
5.4.3案例分析和實驗評估73
5.5本章小結84
第6章增量概念認知學習85
6.1概念認知算子的公理化85
6.2粒概念及其性質88
6.3概念認知系統(tǒng)的增量設計90
6.4基于上下逼近思想的概念認知過程97
6.4.1基于對象集的概念學習98
6.4.2基于屬性集的概念學習103
6.4.3基于對象-屬性集序對的概念學習106
6.5本章小結110
第7章多注意力概念認知學習112
7.1概念注意力空間112
7.2基于圖注意力的概念聚類115
7.3多注意力概念預測120
7.4多注意力概念學習整體框架122
7.5數(shù)值實驗與分析123
7.5.1與S2CLα和其他**分類算法對比測試模型的性能124
7.5.2模型參數(shù)的影響125
7.5.3MNIST數(shù)據集上的概念生成130
7.6本章小結131
第8章基于漸進模糊三支概念的增量學習132
8.1漸進模糊三支概念的學習過程132
8.2漸進模糊三支概念的增量學習機制139
8.3數(shù)值實驗與分析143
8.3.1ILMPFTC機制的分類性能驗證144
8.3.2動態(tài)數(shù)據環(huán)境下增量學習機制的收斂性評估152
8.3.3動態(tài)機制的有效性155
8.4本章小結158
第9章復雜網絡下的概念認知學習159
9.1基本概念159
9.2網絡形式背景161
9.3網絡概念的指標集163
9.4網絡形式概念167
9.4.1網絡概念的基本理論167
9.4.2網絡概念的性質175
9.5本章小結180
第10章概念的漸進式認知181
10.1漸進式認知概念181
10.2概念的漸進式認知方法190
10.2.1線索為對象集的概念漸進式認知190
10.2.2線索為屬性集的概念漸進式認知193
10.2.3線索包含對象集與屬性集的概念漸進式認知194
10.3數(shù)值實驗與分析197
10.3.1實驗環(huán)境198
10.3.2實驗結果198
10.3.3對比分析203
10.4概念認知方法的對比分析204
10.5本章小結205
第11章MapReduce框架下的概念認知學習207
11.1粒概念的并行算法207
11.1.1概念的認知機理207
11.1.2構建粒概念的并行算法208
11.2認知計算系統(tǒng)及其并行算法209
11.2.1認知計算系統(tǒng)209
11.2.2認知計算系統(tǒng)的并行算法210
11.3認知學習過程及其并行算法213
11.3.1認知學習過程213
11.3.2認知學習過程的并行算法213
11.4數(shù)值實驗與分析216
11.4.1實驗環(huán)境216
11.4.2粒概念求解算法對比217
11.4.3數(shù)據集規(guī)模對并行算法耗時的影響218
11.5本章小結220
參考文獻221