基于证据理论的动态多尺度混合数据最优尺度组合动态更新与知识获取研究

《Neurocomputing》：Optimal scale combinations and knowledge acquisition in dynamic multi-scale hybrid data

本文聚焦动态不完全广义多尺度混合决策表（IGMHDT）中的知识获取难题，提出了一种基于Dempster-Shafer证据理论（DS理论）的最优尺度组合（BOSC/POSC）动态更新方法。通过定义模糊相似关系构建信息粒，并引入置信最优尺度组合（BOSC）和似然最优尺度组合（POSC）概念，设计了增量式动态算法，在16个UCI数据集上验证了算法在分类精度与计算效率上的优势，为处理动态混合数据提供了新的粒计算（GrC）范式。

　　

研究亮点

为应对动态混合数据中的知识发现挑战，本研究基于证据理论探讨了不完全广义多尺度混合决策表（IGMHDT）中最优尺度组合的动态更新问题。

不完全广义多尺度混合决策系统

本节我们确定了IGMHDT中的最优尺度组合并分析了其相互关系。

定义8

广义多尺度混合决策表（GMHDT）是一个二元组 <数学结构>，其中论域为<数学符号>，条件属性集<数学符号>包含数值型属性<数学符号>和分类型属性<数学符号>，且每个条件属性均为多尺度属性。若属性<数学符号>具有<数学符号>个尺度层级，则该GMHDT可表述为<数学表达式>。

IGMHDT中BOSC和POSC的动态更新方法

本节研究了当新增样本时不引入新决策属性值的条件下，IGMHDT中BOSC和POSC的增量更新。使用上标<数学符号>标注更新后IGMHDT中的所有二元关系及相关变量。考虑新增<数学符号>个样本后，扩展对象集变为<数学符号>，更新后的IGMHDT将重新计算粒度结构。

实验结果与讨论

本实验从三方面展开：首先将UCI数据集转换为IGMHDT；接着通过K近邻（KNN）分类器评估算法2所得BOSC的分类性能，并与五种对比算法的优化结果进行比对；最后通过参数敏感性实验分析阈值、更新率与缺失率对算法计算性能的影响。

结论

动态混合数据中的高效知识发现是人工智能研究的难点。面向动态混合数据知识获取，我们通过引入IGMHDT中最优尺度组合选择，发展了一种新颖的粒计算方法。通过定义IGMHDT中属性子集确定的相似关系，构建了多尺度组合下的信息粒度，建立了近似算子、置信度与似然度度量框架，为动态环境下的多源异构数据处理提供了有效工具。