基于FCM与信息融合的粗粒度信息挖掘算法研究

"本文介绍了一种集成模糊认知图(FCM)与信息融合技术的粗粒度级信息挖掘算法，旨在解决从大数据中获取难以直接显性表示的粗粒度信息的问题。通过FCM，可以建立多细粒度概念与粗粒度概念之间的模糊关系，而信息融合用于构建粗粒度概念的表达。采用非线性Hebbian学习(NHL)自动学习数据源，以计算粗粒度信息值。这种方法在Fisher’s Iris数据集上进行了有效性验证，并在科技人才评价中得到了应用。" 文章深入探讨了在信息管理和信息系统领域中获取粗粒度级信息的重要性。由于许多实际系统中的粗粒度信息不易直接获取，通常只能通过其包含的细粒度概念来间接表示。因此，研究如何从大量数据中挖掘这些信息具有重要意义。 作者提出的算法分为几个关键步骤。首先，利用模糊认知图(FCM)来构建概念间的模糊关系网络。FCM是一种强大的工具，能够处理不确定性和模糊性，它允许不同粒度的概念之间存在不同程度的关联。然后，通过信息融合技术，将细粒度信息整合到粗粒度层面上，形成对粗粒度概念的全面理解。在此过程中，非线性Hebbian学习(NHL)被用来自动从数据中学习，从而计算出每个粗粒度概念的信息值。 与传统的分类和聚类方法相比，粗粒度级信息挖掘具有独特的挑战。分类是在已知粗粒度信息的情况下进行的，而聚类只关注细粒度数据的相似性，不涉及具体信息值的计算。粗粒度级信息挖掘需要在缺乏明确的粗粒度信息时，生成更具体、更具洞察力的结果，这使得它在大数据分析中尤为有用。 在实验部分，该方法在Fisher’s Iris数据集上进行了验证，这是一个经典的多类数据集，适合用于算法效果的初步评估。实验结果表明，所提算法能够有效地挖掘出粗粒度信息。此外，该方法还被应用于科技文献大数据的科技人才评价场景，进一步证明了其实用性和有效性。 总结来说，该文提出了一种创新的方法，结合了模糊理论、信息融合和机器学习技术，以解决在大数据环境下的粗粒度信息获取问题。这种方法不仅为信息管理和信息系统领域提供了一个新的工具，也为其他领域的数据挖掘和分析提供了有价值的参考。