变精度概念格是利用蕴含算子和一个阈值定义的模糊形式背景下的概念格.为刻画部分已知的变精度概念格,将区间集引入到模糊形式背景上,定义外延与内涵均为区间集的变精度区间集概念格,研究它们的性质.在此基础上进一步研究变精度概念格与变精度区间集概念格之间的关系.根据变精度区间集概念的结构特点,将变精度区间集概念格分解成与变精度概念格同构的几个子格,由此给出了构造变精度区间集概念格的方法.
公理化方法是粗糙集理论研究的一种重要方法，用公理化方法研究粗糙集问题能够抓住问题的数学本质.研究经典粗糙近似算子的公理化刻画.首先，通过概括经典粗糙近似算子的性质给出经典粗糙上、下近似算子的一个公理化定义；其次，针对经典粗糙上、下近似算子提出两个新的公理组，每组公理独立地刻画所对应的经典粗糙近似算子，利用公理导出算子的其他性质，并证明新公理组与近似算子公理化定义中公理组的等价性；最后，用公理化方法研究非对偶的经典粗糙上、下近似算子复合运算的一些性质.
有限理性通常指决策者困顿于信息处理能力有限的自然状态，该状态是决策者在实际决策情境中需要面对的常态，因而有必要研究有限理性下的决策问题．多粒度粗糙集在多属性群决策分析领域的优势在于运算效率高，并能结合决策风险，然而多数基于多粒度粗糙集的多属性群决策方法并未考虑有限理性这一实际情境．以q?RO(q?Rung Orthopair)模糊集为背景，首先提出乐观与悲观多粒度q?RO模糊粗糙集模型；接着在并购对象选择的背景下，依据交互式多属性决策(Portuguese of Interactive and Multi?criteria Decision Making，TODIM)法来处理有限理性下的决策信息，发展多粒度q?RO模糊粗糙集的最优粒度选择机制并建立相应的多属性群决策方法；最后结合并购对象选择的实际算例验证了所建立模型与方法的有效性．
约简是粗糙集理论的核心研究内容，也是粗糙集区分于其他数据挖掘算法最精彩的部分.现有约简以信息表中满足某种性质的最小属性子集为主要特征，不考虑属性集之间的相互作用和相互补充关系.从一对满足某种性质的互补属性子集出发，寻找其最小互补属性子集对，从而保障所求约简属性集对满足一定的互补性，可对实际应用中的限制条件约简进行建模.其次，从约简需保持的性质与特定划分不确定度量之间的关系出发，提出几类基本的约简补集对的一般化定义.此外，结合经典启发式约简算法，提出约简补集对的通用求解算法.最后运用一个中西医结合诊断肺炎的约简补集对求解实例说明所提算法的实用性及有效性.
属性约简是粗糙集理论中的重要问题．为了满足用户对属性的偏好，人们研究了属性序下的属性约简，然而对一些问题却很难给出完整的属性序．针对该问题，比较分析了属性组序下的约简子集的优劣，并提出代价敏感下的属性组序约简的算法．该算法通过属性组序的特点考虑用户偏好并结合属性代价以及属性重要度加权的方式选择局部属性，可以得到更符合用户偏好的约简．理论分析和实验结果验证了该算法的可行性和有效性，并且能在一般情形下找到满足用户偏好的约简．
三元概念的约简是三元概念分析的重要问题，因为它既能简化三元图的表示，又有助于更好地理解三元概念的语意并从中提取有价值的信息.基于三元因子分析,研究保持三元背景中所有三元关系不变的三元概念约简.首先，基于三元因子分析提出三元概念约简的定义.该方法是在保持三元背景不变的条件下寻找尽可能少的三元概念，即这些三元概念能够完整地反映原始三元背景所包含的所有三元关系.其次，讨论三元因子分解与三元概念协调集的关系，并给出三元概念协调集和约简的判定方法.最后，利用三元概念约简将三元概念分为三类：核心（绝对必要）概念、相对必要概念和不必要概念，并得到每类三元概念的充要条件.此外，通过实例给出由三元因子分解和概念约简定义两种方法寻找三元概念约简的详细过程.
规则提取是知识发现的一个重要研究方向.多源数据是一类重要的数据集，从不同的角度对多源数据进行规则提取可为决策行为提供更加可信的依据.以多源决策表为数据基础，首先以数据源和决策规则的结论为切入点，提出两类多源决策规则的概念及其支持度和覆盖度的刻画方式；其次，分析这两类多源决策规则之间的联系；最后通过引入单源化决策表的定义，研究这两类多源决策规则的获取方法，并基于此讨论了两类多源决策规则的简化方法.
概率阈值的确定一直是三支决策研究的重点，尤其是在复杂模糊环境下.引入概率语言术语集评价损失函数，提出基于概率语言术评价的三支决策阈值确定以及规则的获取方法.首先依据概率语言术语集的内涵和性质，构建三支决策问题中的概率语言术语集损失函数矩阵；再借助决策粗糙集等价模型，构建等价模型
随着大数据时代的到来，大量的高维数据在生活中无处不在.聚类是分析描述数据并按照某种相似性将数据归类的一项技术.传统聚类算法在面对高维数据时，往往无法进行有效的聚类处理.软子空间聚类是通过分配权重，描述样本隶属于不同簇的不确定性来进行聚类，然而，当数据残缺或信息不准时，现有的软子空间聚类的准确度和效率会受到很大的影响.从软子空间聚类面临的问题出发，提出一种改进的软子空间聚类算法；同时针对数据残缺不足的问题，引入迁移学习来削弱数据量不足对聚类分析的影响；通过引入信息熵的概念，用信息熵确定高维数据权重.实验证明，通过结合迁移学习和信息熵，有效地提高了软子空间聚类算法精确度和准确度.
针对现有标签分布学习（Label Distribution Learning，LDL）算法较少考虑标签间关联性的问题，提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段：在扩展阶段，结合成对标签之间的关联性，构建结构化标签依赖性；在学习阶段，结合该依赖性，构建学习框架；在恢复阶段，利用最小二乘法求解超定方程组以预测标签分布.与七种常用的标签分布学习算法相比，在八个开放数据集上进行实验，提出的算法在Euclidean距离、S?rensen距离、Squard χ2距离、Kullback?Leibler散度、Intersection相似度和Fidelity相似度六个主流评估指标上明显占优.
图像和语音已成为日常生活和科研的常见数据类型，图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点，并且特征的生成与聚类指派是分步进行的.为此，提出一种基于新颖卷积自编码器的深度Softmax聚类算法(Asymmetric Convolutional Auto?encoder Based Softmax Clustering, ASCAE?Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE)，通过优化卷积和添加全连接层，使整个网络呈非对称；接着使用Softmax聚类器把特征映射成聚类概率分布，构造辅助目标概率分布，将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback?Leibler)散度损失达到清晰的聚类划分.实验结果表明，该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示，且聚类结果优于经典的深度聚类算法.
在异质信息网络中，异质节点对象之间具有多元关系，形成异质重边信息网络.知识图谱表示旨在将实体和关系在低维的向量空间进行嵌入，可以用来学习异质重边信息网络中实体间的多元关系.首先通过注意力机制对异质重边信息网络中的多元关系进行融合表示，进而将异质节点的类型信息进行多元关系融合空间的映射，在多元关系融合空间上提出基于翻译的异质重边嵌入模型，用以学习异质节点之间的链路关系.最后，在MovieLens100k电影数据集上进行了异质节点多元关系的链路预测实验.实验结果表明，在异质重边信息网络中，基于改进的翻译模型在实体间链路预测性能方面要优于传统的知识表示方法，可以有效地提升链路预测的精度．
对于高维标签的分类问题，标签嵌入法已经受到广泛关注.现有的嵌入方法大都需要完整的标签信息，也没有将特征空间考虑在内；同时，由于数据进行人工标注的成本高以及噪声干扰等原因，仅能获得数据的部分标签信息，使得含有缺失标签的高维标签分类问题变得更加复杂.为解决这一问题，提出一种弱标记嵌入算法（Label Embedding for Weak Label Classification，LEWL）.该算法利用矩阵的低秩分解模型，结合样本的流形结构恢复缺失标签；同时采用希尔伯特?施密特独立标准技术(Hilbert?Schmidt Independence Criterion，HSIC)使特征和标签相互作用，联合学习获得一个低维的嵌入空间，可以有效地减少模型的训练时间.通过在七个多标签数据集上与其他算法的对比实验，结果表明了所提算法的有效性.
传统的储层预测需要耗费大量的时间且对研究人员的专业能力要求极高，采用人工智能方法实现储层预测可以有效地改善预测效率.然而，因为环境、设备等原因导致油气井数据中存在大量属性值缺失，大大降低了储层识别精度.针对属性值缺失造成分类困难的问题，提出一个统一评估和动态选择的代价敏感主动学习算法(Active Learning Algorithm with Unified Evaluation and Dynamic Selection，ALES)：（1）考虑各种代价的设置和计算，包括误分类代价、属性代价、标签代价和样本代价；（2）使用softmax回归实现对属性值和标签价值的统一评估；（3）提出一种具有排列组合和贪婪策略的最优获取方案，实现属性值和标签的动态选择.采用三个真实测井数据进行实验，显著性实验分析证明了ALES的有效性及其相对于监督代价敏感分类算法和缺失填补算法的优越性.
基于想象的脑机接口(Brain?Computer Interface,BCI)在运动障碍康复中有潜在的应用.传统的想象任务是运动想象(Motor Imagery，MI)，但MI不易习得和控制，且存在“BCI（Brain Computer Interface）盲”现象，使得该类BCI的实用化受限.为寻找下肢运动障碍的康复方法，采用一种较少被研究且易完成的心理想象，即“视觉想象（Visual Imagery，VI）”来构建BCI，但该类BCI的分类难度较大，需要探索有效的特征提取方法.招募18名被试参加两种动态图片的视觉想象任务并采集脑电(Electroencephalogram,EEG)数据；采用EEG互信息构建功能网络，利用图论分析方法计算脑网络的网络属性特征，分别以网络属性特征、不同维度邻接矩阵空间特征与网络属性与邻接矩阵组合特征构建特征向量；最后采用支持向量机(Support Vector Machine,SVM)对两类视觉想象任务进行分类.结果显示，采用八维互信息邻接矩阵构建的空间特征集具有较好的可分性，平均分类精度为90.12%
针对卷积神经网络前向推理硬件加速的研究，提出一种基于FPGA(Field Programmable Gate Array)的卷积神经网络加速模块，以期在资源受限的硬件平台中加速卷积运算.通过分析卷积神经网络基本结构与常见卷积神经网络的特性，设计了一种适用于常见卷积神经网络的硬件加速架构.在该架构中，采用分层次缓存数据与分类复用数据策略，优化卷积层片外访存总量，缓解带宽压力；在计算模块中，在输入输出通道上并行计算，设计了将乘加树与脉动阵列相结合的高效率计算阵列，兼顾了计算性能与资源消耗.实验结果表明，提出的加速模块运行VGG?16(Visual Geometry Group)卷积神经网络性能达到189.03 GOPS(Giga Operations per Second)，在DSP(Digital Signal Processor)性能效率上优于大部分现有的解决方案，内存资源消耗比现有解决方案减少41%，适用于移动端卷积神经网络硬件加速.
胸部X光片（以下简称胸片）是胸部相关疾病的常用诊断手段，具有辐射量低、速度快、价格低廉等优点，但样本数量巨大，所以开发基于人工智能的、对胸片进行自动识别、分类以及定位的系统具有重大的应用价值.由于胸片拍摄设备不同、胸片质量参差不齐、涉及疾病众多，尤其是缺乏标注框数据集等问题，将深度学习用于胸片的疾病检测和定位仍是一项具有挑战性的任务.为此构建了胸片标注框数据集Chest?box，该数据集中包含3952张阳性胸片和9960个标注框.基于此数据集，提出并训练了一个区域检测网络模型，用于提取胸片中所有可能的病变区域，即图像处理领域中的感兴趣区域.以区域检测网络提取的感兴趣区域为注意力信息，进一步发展了DenseNet卷积网络和注意力机制相结合的方法，通过融合原始胸片和感兴趣区域的特征，使模型更专注于感兴趣区域，再对疾病进行识别和定位.在ChestX?ray14数据集上的测试表明，该网络模型相比之前的工作，具有极佳的分类性能，并能提供更好的疾病定位信息.
