概念认知学习是一种新兴的交叉研究热点领域,旨在通过模仿人类的认知过程不断学习新知识。然而,现有的概念认知学习模型通常忽略了概念中对象的局部差异性、概念空间的冗余性、概念可解释性等问题,导致模型认知偏差与有效信息利用不足...概念认知学习是一种新兴的交叉研究热点领域,旨在通过模仿人类的认知过程不断学习新知识。然而,现有的概念认知学习模型通常忽略了概念中对象的局部差异性、概念空间的冗余性、概念可解释性等问题,导致模型认知偏差与有效信息利用不足。因此,提出一种融合隶属度与覆盖的模糊概念认知学习(fuzzy concept-cognitive learning model integrating membership degree and coverage,IMDC)模型。首先,为了提高概念外延的表征能力,引入一种带偏移阈值的隶属度函数探讨对象与概念之间的相关性,并构造隶属度矩阵,进一步将概念空间转化为模糊覆盖;其次,通过模糊β截集筛选高相关对象,结合覆盖率探索不同概念的地位,从而构建核心概念空间,以有效降低概念空间的冗余性,提高认知学习效率;然后,基于线索与核心概念之间的相似性实现概念分类;最后,采用十折交叉验证方法,将提出的模型与4种机器学习算法和2种概念认知算法进行对比。实验结果表明,该模型在14个数据集上的平均精度均高于其他对比算法,并且在不同数据集上的性能波动范围最小,此外,在查准率、查全率、F1值方面也保持领先优势,充分验证了该模型的可行性和有效性。展开更多
文摘概念认知学习是一种新兴的交叉研究热点领域,旨在通过模仿人类的认知过程不断学习新知识。然而,现有的概念认知学习模型通常忽略了概念中对象的局部差异性、概念空间的冗余性、概念可解释性等问题,导致模型认知偏差与有效信息利用不足。因此,提出一种融合隶属度与覆盖的模糊概念认知学习(fuzzy concept-cognitive learning model integrating membership degree and coverage,IMDC)模型。首先,为了提高概念外延的表征能力,引入一种带偏移阈值的隶属度函数探讨对象与概念之间的相关性,并构造隶属度矩阵,进一步将概念空间转化为模糊覆盖;其次,通过模糊β截集筛选高相关对象,结合覆盖率探索不同概念的地位,从而构建核心概念空间,以有效降低概念空间的冗余性,提高认知学习效率;然后,基于线索与核心概念之间的相似性实现概念分类;最后,采用十折交叉验证方法,将提出的模型与4种机器学习算法和2种概念认知算法进行对比。实验结果表明,该模型在14个数据集上的平均精度均高于其他对比算法,并且在不同数据集上的性能波动范围最小,此外,在查准率、查全率、F1值方面也保持领先优势,充分验证了该模型的可行性和有效性。
