积分商城

最新搜索： ispLEVER NE555.PDF multism modelsim 10.4 IP超过下载限制怎样解除 线性电源
您现在的位置是：首页 > 技术资料 > MapReduce框架下的粒概念认知学习系统研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

MapReduce框架下的粒概念认知学习系统研究

更新时间：2019-12-23 23:36:07 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：MapReduce框架 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对经典的概念学习算法难以处理大规模数据集的问题,本文提出一种基于MapReduce框架的粒概念认知学习并行算法.该算法借鉴认知心理学的知觉和注意认知思想,并融合粒计算的粒转移原理.首先构建适应大数据环境的粒概念并行求解算法,并与经典粒概念构造算法做了对比,在此基础上分别从外延和内涵角度建立了粒概念认知计算系统,然后对给定对象集或属性集进行认知概念学习.实验结果表明,该并行算法是有效的,适合海量数据的粒概念认知学习.


部分文件列表

文件名 大小
MapReduce框架下的粒概念认知学习系统研究.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
2
Vol． 46 No． 2  
Feb． 2018  
第
期
电
子
学
报
2018  
2
ACTA ELECTRONICA SINICA  
年
月
MapReduce  
框架下的  
粒概念认知学习系统研究  
1，2  
1
1
2，3  
， ， ，  
米允龙 李金海 刘文奇 林 晶  
( 1．  
，
昆明理工大学理学院 云南昆明  
650500; 2．  
，
怀化学院计算机科学与工程学院 湖南怀化  
418000;  
3．  
，
武陵山片区生态农业智能控制技术湖南省重点实验室 湖南怀化  
418000)  
:
，
针对经典的概念学习算法难以处理大规模数据集的问题 本文提出一种基于  
MapReduce  
摘
要
框架的粒概  
． ， ．  
念认知学习并行算法 该算法借鉴认知心理学的知觉和注意认知思想 并融合粒计算的粒转移原理 首先构建适应大  
， ，  
数据环境的粒概念并行求解算法 并与经典粒概念构造算法做了对比 在此基础上分别从外延和内涵角度建立了粒概  
， ． ， ，  
念认知计算系统 然后对给定对象集或属性集进行认知概念学习 实验结果表明 该并行算法是有效的 适合海量数据  
．
的粒概念认知学习  
:
;
;
;
; MapReduce  
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
概念格 概念学习 认知计算 粒计算  
:
TP18  
:
A
: 0372-2112 ( 2018) 02-0289-09  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 02． 005  
文献标识码  
文章编号  
电子学报  
Research on Granular Concept Cognitive  
Learning System Under MapReduce Framework  
1，2  
1
1
2，3  
MI Yun-long ，LI Jin-hai ，LIU Wen-qi ，LIN Jing  
( 1． Faculty of Science，Kunming University of Science and Technology，Kunming，Yunnan 650500，China;  
2． College of Computer Science and Engineering，Huaihua University，Huaihua，Hunan 418000，China;  
3． Key Laboratory of Intelligent Control Technology for Wuling-Mountain Ecological Agriculture in Hunan Province，Huaihua，Hunan 418000，China)  
Abstract: Considering that the classical concept learning algorithms are difficult to deal with the massive data set，a  
MapReduce-based parallel algorithm for granular concept cognitive learning is proposed． The parallel algorithm is based on  
the cognitive thoughts of perception and attention in cognitive psychology，and it is combined with the granule transformation  
principle of granular computing． Specifically，a parallel algorithm is developed to compute granular concepts in big data envi-  
ronment，and a comparative analysis of the parallel algorithm and the classical granular concept construction algorithm is  
made． Granular concept cognitive computing systems are also constructed from the perspectives of extension and intension．  
Then，cognitive concept learning is performed by a given object set or attribute set． Experimental results show that the pro-  
posed parallel algorithm is effective and can be suitable for granular concept cognitive learning of massive data．  
Key words: concept lattice; concept learning; cognitive computing; granular computing; MapReduce  
． ， ，  
体关系 近年来 为了适应各种数据分析 学者们已提出  
1
引言  
［7，8］  
．
不同类型的概念  
概念学习是从已知信息中运用特  
［9］  
，
随着信息技术的飞速发展 数据已呈现爆炸式增  
． ，  
定学习方法获取未知概念 例如 通过问询方式  
，
云
［10，11］  
［12］  
［13］  
［6］  
． ，  
长 面对海量数据处理中的众多问题 如何借鉴人脑的  
，
，
，
概念迭代 等都  
模型  
是概念学习的具体表现  
在概念学习的基础上 通过模拟人脑的认知过程  
认知系统  
近似逼近  
， ，  
思维模式来分析大数据 从而获得有价值的信息 已成  
．
［1 ～ 3］  
．
，
众所周知 概念是通过识别其  
为当前研究的热点  
，
［4 ～ 6］  
，
外延与内涵来完成的  
即确定对象与属性之间的具  
(
、 ) ，  
包括知觉 注意等 将概念形成原理反映到人类的认  
: 2016-09-26;  
: 2016-11-17; :  
责任编辑 马兰英  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61305057，No． 61562050，No． 61573173)  
290  
2018  
年
电
子
学
报
， (  
知过程中 则称为认知概念学习 或概念认知学习  
) ．  
(
H( a) ，LH( a)  
)
=
(
H( a) ，LH  
(
LH( a) ))  
．
其
∧
∩
∪
a
B
a
B
a
B
∈
∈
∈
［15］  
［14］ ，  
提 出 后 经 姚 一 豫  
、
李 金 海  
主要思想 由 文 献  
，
为了方便 将认知算子  
L
H
:
的所有粒概念记为  
和
［13，16，17］  
，
进一步完善后 现已形成认知概念学习的理论  
等
G
= { ( HL( x) ，L( x) ) |x U} { ( H( a) ，LH( a) ) |a A} ．  
∈ ∪ ∈  
LH  
． ，  
雏形 目前 认知概念学习是概念学习领域中的一个热  
2. 2  
认知计算系统  
［18，19］  
， ．  
且被认为是一种有效的概念学习方法 通常  
，
点
U
U
…
U
n
的 个对象集为非降对  
称满足  
1
2
n
↑
、
认知概念学习由揭示概念的认知机理 建立认知计算  
，
象集序列 记为  
{ U }  
t
;
，
类似地 称满足  
A
A
…
A
1
2
n
．
系统和模拟认知学习过程三部分组成  
↑
n
，
个属性集为非降属性集序列 记为  
{ A } ．  
t
的
， ，  
需要指出的是 面对海量数据集时 经典的认知概  
［13］  
↑
4
U
，U  
{ U }  
t
，
的两个对象集  
定义  
，A  
设
为
i － 1  
i
、 ． ，  
念学习算法的时间 空间代价均非常大 实际上 为了提  
↑
A
{ A }  
t
．
的两个属性集 记 Δ  
U
= U － U  
i
为
且
i － 1  
i － 1  
i
i － 1  
，
高学习效率 可将复杂问题按特定规律进行粒化分解  
．
A
Δ
= A － A  
i
．
令
i － 1  
i － 1  
［20］  
［21，22］  
，
已在概  
粒计算 常用于降低问题求解的复杂性  
Ai － 1  
Ui － 1  
U
A
i － 1  
i － 1  
( 1) L : 2  
i － 1  
2
H
H
H
: 2  
2
→
，
［6，12 ～ 17，19］  
→
i － 1  
．
念学习领域取得较好的效果  
的存储完全可以通过基本信息粒完成  
粒计算角度来提高认知概念学习的效率是可行的  
原因是认知概念  
Ai － 1  
Ai － 1  
U
Δ
i － 1  
Δ
i
－ 1  
U
［13，16，17］  
( 2) L  
: 2  
2
: 2  
2
→
，
→
U
U
i － 1  
Δ
Δ
．
，
因此 从  
i － 1  
Ui  
A
A
Ui  
2 ，  
→
Δ
Δ
i － 1  
i － 1  
( 3) L : 2  
ΔAi － 1  
2
→
: 2  
．
ΔAi － 1  
Ui  
Ai  
Ai  
Ui  
( 4) L : 2  
i
2
→
H : 2  
i
2
→
，
目前 已有学者从粒计算角度研究认知概念学习  
，
［6，12 ～ 17，19］  
．
为四对认知算子 若它们满足  
:
．
，
但是 主要是针对小规模  
并取得一定的成效  
L
( x)  
L
( x) ，  
如果 ∈  
i － 1  
x
U
，
∪
的数据集进行测试或只给出应对海量数据的一些设  
i － 1  
A
Δ
i － 1  
L ( x) =  
i
［16］  
{
．
、
针对数量巨大 结构复杂且形式多样的海量数  
想
L
( x)  
L
( x) ， ，  
其它  
∪
U
A
Δ
i － 1  
Δ
i － 1  
［3］  
， ，  
本文给出一种高效的粒概念认知学习方法 它基  
据
H
( a)  
H
( a) ，  
如果 ∈  
i － 1  
a
A
，
∪
i － 1  
U
Δ
i － 1  
［23］  
H ( a) =  
i
MapReduce  
， ．  
并行框架 且融合粒转移原理 实验结  
于
{
H
( a) ， ，  
其它  
A
Δ
i － 1  
，
果表明 该并行算法能够完成海量数据的粒概念认知  
:
并约定 当 Δ  
U
=
，L ( x)  
U
Δ
i － 1  
H
( a)  
;
置为空 当  
时  
和
i － 1  
U
Δ
i － 1  
．
学习任务  
A
Δ
=
，L ( x)  
A
Δ
i － 1  
H
( a)  
， L ，H  
i
时  
和
置为空 则称  
为
i
i － 1  
A
Δ
i － 1  
L
，H  
通过更新对象和属性信息后得到的扩展认知  
i － 1  
2
预备知识  
i － 1  
．
算子  
2. 1  
概念的认知机理  
［13］  
5
L ，H  
i
L
，H  
定义  
属性信息后得到的扩展认知算子 则称  
，H ，L ，H  
设
为
通过更新对象和  
U
i
i － 1  
i － 1  
U
对任意对象集 和属性集  
A， 2  
其幂集分别记为  
，
S
= ( G  
，
，
，
A
U
A
A
U
LiHi  
Li － 1Hi － 1  
2 ．  
L: 2  
2
→
H: 2  
2
→
U
A
和 之间的集值映  
和
设
和
是
L
)
．
为 一 个 认 知 计 算 状 态 其 中  
U
U
A
A
Δ
i － 1  
Δ
Δ
Δ
i － 1  
i － 1  
i － 1  
，
射 并在文中简记为  
L
H．  
和
G
L
，H  
．
的所有粒概念 进一步地  
表示认知算子  
［13］  
Li － 1Hi － 1  
i － 1  
i － 1  
1
L
H
． X ，X  
为集值映射 若任意   
2
定义  
设
和
1
．
称若干认知计算状态组成的集合为认知计算系统  
U，B  
A
:
满足  
，
注意 认知计算系统最终的粒概念  
G
，
可以通过  
LnHn  
X
X
L( X ) L( X ) ，  
   
2
1
2
1
G
一系列新输入的对象与属性信息对初始粒概念  
反
L1H1  
L( X X ) L( X ) L( X ) ，  
∩
1
∪
1
2
2
．
复迭代得到  
2. 3  
H( B) = { x U| B L( { x} ) } ，  
∈   
认知学习过程  
L
H
．
为认知算子  
则称  
和
［13］  
6
X
设
， ( Apr ( X ) ，  
为 给 定 对 象 集 称  
0
定义  
0
，
在无歧义下 文中均将  
L
(
{ x}  
)
为认知算子 若  
L( x) ．  
记为  
［13］  
L ( Apr( X ) ) ) ( Apr( X ) ，L ( Apr( X ) ) )  
和
n
X
后
0
为学习  
n
0
0
0
2
L
H
．
X
U，B A，  
   
定义  
L( X) = B  
设
和
．
得到的认知概念 其中  
，
H( B) = X，  
则称序对  
( X，B)  
，X  
为认知概念  
且
Apr( X ) = H L  
n
(
X)，  
∪
#
G
0
n
B
( X，B)  
．
的外延与内涵  
和
分别为  
( X，B)  
，X  
X
0
∈
LnHn  
［13］  
3
L
H
，x  
U a A，  
且 ∈  
定义  
设
和
为认知算子  
∈
Apr  
(
X
)
=
X，  
∩
*
G
0
( X，B)  
，X  
X
0  
∈
LnHn  
( HL( x) ，L( x) ) ( H( a) ，LH( a) )  
和
L
则称  
为认知算子  
和
G
{ ( U ， ) } ，  
如果  
n
( U ， ) ，  
是概念  
n
∪
LnHn  
LnHn  
LnHn  
LnHn  
*
H
．
的粒概念  
G
=
LnHn  
{
{
［13］  
G
G
G
，
，
其它  
1
L
H ，  
为认知算子 则任意认知概念  
性质  
( X，B)  
设
和
:
{ ( ，A ) } ，  
n
(
如果   
，A )  
n
，
是概念  
均可由粒概念合成  
∪
#
G
=
LnHn  
( X，B) = ( HL( x) ，L( x)  
∨
)
=
(
H( a) ，LH( a) )，  
∧
，
其它  
．
x
X
a
B
∈
∈
［13］  
，
其中  
7
B
， ( H ( Apr  
为 给 定 属 性 集 称  
n
定义  
设
0
(
HL( x) ，L( x)  
)
=
(
HL  
(
HL( x)  
)
， L( x) )，  
∩
∨
∪
( B ) ) ，Apr( B ) ) ( H ( Apr( B ) ) ，Apr( B ) )  
B
为学习  
和
0
0
n
0
0
0
x
X
x
X
x
X
∈
∈
∈

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号