發(fā)布時(shí)間：2018-05-21 01:08

  本文選題：知識獲取 + 突發(fā)事件��； 參考：《大連理工大學(xué)》2016年碩士論文

【摘要】：隨著我國對突發(fā)事件重視程度與信息化程度的提高,一些相關(guān)數(shù)據(jù)庫中積累了各類突發(fā)事件的大量原始數(shù)據(jù),其中蘊(yùn)含著許多潛在、有價(jià)值的突發(fā)事件規(guī)律知識。而數(shù)據(jù)收集過程中由于自然因素和人為因素導(dǎo)致的隨機(jī)性、盲目性,容易造成信息冗余問題,阻礙潛在知識規(guī)律的發(fā)現(xiàn)�，F(xiàn)有知識獲取研究大多以知識的客觀性與簡潔性為目標(biāo),忽略了用戶對知識規(guī)則的偏好,其知識獲取結(jié)果實(shí)用性較差,不利于輔助突發(fā)事件應(yīng)急決策。因此,本文在粗糙集理論的基礎(chǔ)上,提出一種面向用戶偏好的突發(fā)事件知識獲取方法,主要包括預(yù)處理、屬性約簡與規(guī)則提取三部分。首先,對原始信息表進(jìn)行知識獲取預(yù)處理操作。對突發(fā)事件及其數(shù)據(jù)特征進(jìn)行分析,將應(yīng)急決策者對知識獲取的偏好總結(jié)為屬性選擇偏好、屬性粒度偏好與規(guī)則信度偏好三種,并對用戶偏好進(jìn)行定量表示；識別當(dāng)前決策屬性,構(gòu)建決策表；針對突發(fā)事件數(shù)據(jù)特征,提出缺失數(shù)據(jù)、冗余數(shù)據(jù)、噪聲數(shù)據(jù)以及多類型多粒度數(shù)據(jù)的預(yù)處理方法,通過構(gòu)建決策表相似性矩陣識別并剔除冗余、噪聲數(shù)據(jù),利用屬性概念層次樹層次化表示多類型多粒度數(shù)據(jù)；為了提高決策表處理效率,編碼決策表。其次,結(jié)合突發(fā)事件數(shù)據(jù)特征與用戶偏好,提出一種突發(fā)事件屬性約簡方法。該方法綜合屬性客觀重要度和用戶屬性選擇偏好兩方面的影響定義啟發(fā)信息,利用屬性添加的啟發(fā)式方法求得一個(gè)約簡結(jié)果。其中為了簡化屬性重要度的計(jì)算,提出一種基于OWA算子的度量方法,綜合屬性在決策表行和列兩個(gè)維度的貢獻(xiàn)計(jì)算屬性對各單個(gè)對象的重要度,利用OWA算子將其聚合為屬性的綜合重要度。最后,針對突發(fā)事件知識獲取中知識粒度難以確定、知識規(guī)則實(shí)用性差的問題,提出一種面向用戶偏好的層次化規(guī)則提取方法。該方法從最高層次的廣義決策表開始,以屬性客觀分類能力與用戶屬性粒度偏好作為衡量標(biāo)準(zhǔn)選擇屬性進(jìn)行特化,使決策表層次下降；針對下降過程中得到的每一個(gè)特定層次的廣義決策表,對人工蜂群算法進(jìn)行改進(jìn)以便高效的提取其中的確定性規(guī)則；以滿足用戶規(guī)則信度偏好作為層次下降的終止條件,對知識粒度加以控制。本文在粗糙集理論的基礎(chǔ)上對突發(fā)事件數(shù)據(jù)進(jìn)行知識獲取,該方法引入用戶偏好及層次規(guī)則提取的思想,解決了信息缺失、屬性類型多樣、知識粒度難以確定、規(guī)則實(shí)用性差等問題,在滿足用戶對于知識規(guī)則實(shí)際應(yīng)用需求的前提下,獲取較為簡潔的知識,能夠輔助應(yīng)急管理決策,達(dá)到防災(zāi)、減災(zāi)的目的,具有一定的理論與實(shí)際意義。
[Abstract]:With the improvement of the degree of attention and information of unexpected events in China, a large number of raw data of all kinds of emergencies have been accumulated in some related databases, which contains a lot of potential and valuable knowledge of the law of emergencies. The randomness and blindness caused by natural and human factors in the process of data collection can easily lead to the problem of information redundancy and hinder the discovery of the law of potential knowledge. Most of the existing knowledge acquisition studies aim at the objectivity and conciseness of knowledge, ignoring the user's preference for knowledge rules, and the practical results of knowledge acquisition are poor, which is not conducive to assisting emergency decision-making. Therefore, based on rough set theory, this paper proposes a knowledge acquisition method based on user preference, which consists of three parts: preprocessing, attribute reduction and rule extraction. First of all, the original information table is preprocessed with knowledge acquisition. The emergency decision makers' preference for knowledge acquisition is summarized as attribute preference, attribute granularity preference and rule reliability preference. Identify the current decision attributes, construct decision table, propose a preprocessing method of missing data, redundant data, noise data and multi-type and multi-granularity data according to the characteristics of emergency data. The similarity matrix of decision table is constructed to identify and eliminate redundant and noise data, and hierarchical attribute concept tree is used to represent multi-type and multi-granularity data. In order to improve the efficiency of decision table processing, the decision table is coded. Secondly, an attribute reduction method is proposed based on the feature of emergency data and user preference. The method synthesizes the heuristic information of attribute objective importance and user attribute selection preference, and obtains a reduction result by using the heuristic method of attribute addition. In order to simplify the calculation of attribute importance, a measurement method based on OWA operator is proposed, which synthesizes the contribution of attributes in the decision table row and column dimensions to calculate the importance of attributes to each single object. The OWA operator is used to aggregate it into the synthetic importance of attributes. Finally, a hierarchical rule extraction method based on user preference is proposed to solve the problem that the granularity of knowledge is difficult to determine and the practicability of knowledge rules is poor. This method starts with the highest level of generalized decision table and uses attribute objective classification ability and user's attribute granularity preference as the standard to select attributes. For each generalized decision table at a specific level in the descent process, the artificial bee colony algorithm is improved to extract deterministic rules efficiently, and to satisfy the user rule reliability preference as the termination condition for hierarchical descent. Control the granularity of knowledge. On the basis of rough set theory, this paper introduces the idea of user preference and hierarchical rule extraction into the knowledge acquisition of unexpected event data, which solves the problem of missing information, diverse attribute types, and difficult to determine the granularity of knowledge. Problems such as poor practicability of rules, on the premise of satisfying the practical application needs of users for knowledge rules, can obtain more concise knowledge, which can assist emergency management decisions and achieve the purpose of disaster prevention and mitigation, which has certain theoretical and practical significance.
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李春花;;我國農(nóng)村知識獲取環(huán)境缺陷與對策探討[J];圖書情報(bào)研究;2013年01期

2 曾洲,宋順林;主動(dòng)式知識獲取模型[J];計(jì)算機(jī)工程與設(shè)計(jì);2005年10期

3 楊帆;葉瀟;曹存根;邵志清;;基于場合和角色的情緒知識獲取與分析[J];計(jì)算機(jī)工程;2006年15期

4 林麗姝;程培濤;趙克;許威;;平面幾何智能輔導(dǎo)系統(tǒng)中輔助線添加的知識獲取[J];計(jì)算機(jī)應(yīng)用;2007年S1期

5 張瑛;武忠;;隱性知識獲取的最佳來源研究[J];情報(bào)雜志;2007年11期

6 段謨意;;知識獲取模型的設(shè)計(jì)與探討[J];電腦學(xué)習(xí);2007年06期

7 張德政;阿孜古麗;劉潔卉;;基于圖分析的領(lǐng)域知識獲取技術(shù)[J];北京科技大學(xué)學(xué)報(bào);2007年S2期

8 董文革;;基于范例推理和自動(dòng)案例啟發(fā)的知識獲取模型[J];武漢理工大學(xué)學(xué)報(bào);2008年07期

9 蘭美輝;毛雁明;周粉;陶躍華;;知識獲取研究[J];電腦知識與技術(shù);2008年27期

10 曾志;;基于本體的市場準(zhǔn)入知識獲取技術(shù)的研究與實(shí)現(xiàn)[J];福建電腦;2008年11期

相關(guān)會議論文 前10條

1 蔣小應(yīng);陶繼忠;歐陽寧;;零件組工藝知識獲取系統(tǒng)[A];中國工程物理研究院科技年報(bào)（2001）[C];2001年

2 朱宏輝;陳定方;;知識獲取與知識進(jìn)化模型[A];2007年中國智能自動(dòng)化會議論文集[C];2007年

3 張德政;劉潔卉;;基于圖分析的領(lǐng)域知識獲取技術(shù)[A];著力提高高等教育質(zhì)量，，努力增強(qiáng)高校創(chuàng)新與服務(wù)能力——北京市高等教育學(xué)會2007年學(xué)術(shù)年會論文集（上冊）[C];2008年

4 丁利華;俞金壽;;基于模糊集理論的知識獲取[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第2卷）[C];1993年

5 張杰;張素貞;蔣慰孫;;工業(yè)過程的專家知識獲取[A];1994中國控制與決策學(xué)術(shù)年會論文集[C];1994年

6 陳學(xué)光;徐雙慶;;高新技術(shù)企業(yè)知識獲取的海外嵌入權(quán)變關(guān)系研究模型[A];浙商崛起與危機(jī)應(yīng)對[C];2010年

7 趙衛(wèi)東;李旗號;;知識獲取的粗分析方法[A];第十七屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報(bào)告篇）[C];2000年

8 王科俊;戰(zhàn)興群;金鴻章;李國斌;;故障診斷神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)中知識獲取的實(shí)現(xiàn)[A];1995年中國智能自動(dòng)化學(xué)術(shù)會議暨智能自動(dòng)化專業(yè)委員會成立大會論文集（下冊）[C];1995年

9 溫后珍;曾杰;徐小力;;分明矩陣在旋轉(zhuǎn)機(jī)械故障診斷知識獲取中的應(yīng)用[A];設(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集[C];2005年

10 尹太舉;張昌民;羅喻潔;程釗;尹艷樹;;虛擬地質(zhì)露頭:一種全新的地質(zhì)知識獲取及應(yīng)用技術(shù)[A];中國礦物巖石地球化學(xué)學(xué)會第14屆學(xué)術(shù)年會論文摘要專輯[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 宋博;基于情境感知的工程經(jīng)驗(yàn)知識獲取和主動(dòng)供應(yīng)[D];上海交通大學(xué);2015年

2 劉錦英;基于知識獲取視角的創(chuàng)新決定因素研究[D];華中科技大學(xué);2007年

3 車通;知識探索與知識利用：知識獲取和工作組文化的作用研究[D];中國科學(xué)技術(shù)大學(xué);2015年

4 周圣強(qiáng);企業(yè)創(chuàng)新過程的知識獲取研究[D];暨南大學(xué);2014年

5 王立生;社會資本、吸收能力對知識獲取和創(chuàng)新績效的影響研究[D];浙江大學(xué);2007年

6 生佳根;基于本體的知識獲取、管理和應(yīng)用方法研究[D];南京航空航天大學(xué);2012年

7 王朝霞;專利知識獲取及其支持概念創(chuàng)新設(shè)計(jì)的方法研究[D];浙江大學(xué);2009年

8 姚瑞;基于資源的創(chuàng)新網(wǎng)絡(luò)與知識獲取關(guān)系研究[D];吉林大學(xué);2011年

9 曾慶田;數(shù)學(xué)概念的知識獲取與分析方法研究[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2005年

10 江旭;醫(yī)院間聯(lián)盟中的知識獲取與伙伴機(jī)會主義[D];西安交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 劉慧;網(wǎng)絡(luò)環(huán)境下知識獲取行為研究[D];華中師范大學(xué);2015年

2 楊秋皓;航天一院知識獲取體系與模式研究[D];哈爾濱工業(yè)大學(xué);2015年

3 杜翠玲;醫(yī)學(xué)領(lǐng)域知識獲取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];中國科學(xué)院大學(xué)(工程管理與信息技術(shù)學(xué)院);2015年

4 孫林;知識獲取視角下LS公司的組織結(jié)構(gòu)設(shè)計(jì)研究[D];華東理工大學(xué);2016年

5 黃盧宇;關(guān)系嵌入、知識獲取與創(chuàng)新績效研究[D];浙江工業(yè)大學(xué);2014年

6 黃豪杰;外部知識獲取、內(nèi)外研發(fā)配置對企業(yè)創(chuàng)新績效影響的實(shí)證研究[D];東南大學(xué);2015年

7 熊捷;企業(yè)社會資本、技術(shù)知識獲取與產(chǎn)品創(chuàng)新績效關(guān)系研究[D];北方工業(yè)大學(xué);2016年

8 陸葉;基于語義文法的屬性知識獲取[D];江蘇科技大學(xué);2016年

9 王然;面向用戶偏好的突發(fā)事件知識獲取研究[D];大連理工大學(xué);2016年

10 辛全萍;基于導(dǎo)師制的研究生隱性知識獲取策略研究[D];吉林大學(xué);2009年

本文編號：1917048