集成FCM与信息融合的粗粒度级信息的挖掘算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (23): 7-9.

集成FCM与信息融合的粗粒度级信息的挖掘算法

彭珍1，彭洁1，赵伟1，杨炳儒2

1.中国科学技术信息研究所资源共享促进中心，北京 100038
2.北京科技大学计算机与通信工程学院，北京 100083

出版日期:2014-12-01 发布日期:2014-12-12

Integrated FCM and information fusion algorithm of mining coarse-grained information

PENG Zhen1, PENG Jie1, ZHAO Wei1, YANG Bingru2

1.Resource Sharing and Promotion Center, Institute of Science and Technology Information of China, Beijing 100038, China
2.School of Computer & Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China

Online:2014-12-01 Published:2014-12-12

摘要/Abstract

摘要： 如何获取粗粒度级信息是信息管理与信息系统中的研究热点之一。提出一种基于模糊认知图（Fuzzy Cognitive Map，FCM）与信息融合集成挖掘的面向多样例粗粒度信息获取方法，FCM可以建立多细粒度概念与粗粒度概念之间的模糊认知关系，信息融合则用于构建粗粒度级概念的信息表达，NHL（Nonlinear Hebbian Learning）实现了基于数据源的自动学习，从而可以计算出粗粒度级概念的信息值，该方法在Fisher’s Iris公开数据集上分析并验证了有效性，并将此应用于基于科技文献大数据的科技人才评价发现中。

关键词: 模糊认知图（FCM）, 信息融合, 粗粒度级信息, 非线性Hebbian学习（NHL）, 数据挖掘

Abstract: How to get coarse-grained information is one of the hot research topics in information management and information system. The paper presents an integrated algorithm of Fuzzy Cognitive Map（FCM） and information fusion of mining coarse-grained information for multi-instances. The fuzzy cognitive relations between multiple fine-grained concepts and a coarse-grained concept can be established by FCM. The information of coarse-grained concept can be constructed by information fusion. These fuzzy association values can be learned automatically directly from data resources by Nonlinear Hebbian Learning（NHL）. The efficiency of method has been analyzed and demonstrated in the dataset of Fisher’s Iris and applied in scientific and technical talents evaluation based on the big data of scientific and technical literatures.

Key words: Fuzzy Cognitive Map（FCM）, information fusion, coarse-grained information, Nonlinear Hebbian Learning（NHL）, data mining

彭珍1，彭洁1，赵伟1，杨炳儒2. 集成FCM与信息融合的粗粒度级信息的挖掘算法[J]. 计算机工程与应用, 2014, 50(23): 7-9.

PENG Zhen1, PENG Jie1, ZHAO Wei1, YANG Bingru2. Integrated FCM and information fusion algorithm of mining coarse-grained information[J]. Computer Engineering and Applications, 2014, 50(23): 7-9.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	刘畅，邱卫根，张立臣. 基于可变形掩膜对齐卷积模型的行人再识别[J]. 计算机工程与应用, 2021, 57(5): 146-152.
[3]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[4]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	陈坤峰，潘志松，王家宝，施蕾，张锦，焦珊珊. 跨模态行人再识别的协同学习方法[J]. 计算机工程与应用, 2021, 57(12): 115-125.
[7]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[8]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[9]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[10]	张红，程传祺，徐志刚，李建华. 基于深度学习的数据融合方法研究综述[J]. 计算机工程与应用, 2020, 56(24): 1-11.
[11]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[12]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[13]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[14]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[15]	韩二东. 概率语言术语集多准则决策方法研究进展[J]. 计算机工程与应用, 2020, 56(10): 27-35.