增量式非负矩阵分解算法是基于子空间降维技术的无监督增量学习方法.文中将Fisher判别分析思想引入增量式非负矩阵分解中,提出基于Fisher判别分析的增量式非负矩阵分解算法.首先,利用初始样本训练的先验信息,通过索引矩阵对新增系数矩阵进行初始化赋值.然后,将增量式非负矩阵分解算法的目标函数改进为批量式的增量学习算法,在此基础上施加类间散度最大和类内散度最小的约束.最后,采用乘性迭代的方法计算分解后的因子矩阵.在ORL、Yale B和PIE等3个不同规模人脸数据库上的实验验证文中算法的有效性.

受形式概念分析中因子分解的启发,借鉴属性约简的思想,从概念角度上思考,提出保持二元关系不变的概念约简.首先给出保持二元关系不变的概念约简的定义及概念协调集的判定定理.然后根据形式概念在保持二元关系不变的概念约简过程中所起的作用,将形式概念分为核心概念、相对必要概念、不必要概念.最后分别研究3类概念的特征,从二元关系和算子角度考虑,得到三类概念的相关结论.上述结果有助于进一步的算法研究与应用及更深入的理论分析工作.

鉴于不同类型氨基酸的相互作用对蛋白质结构预测的影响不同,文中融合卷积神经网络和长短时记忆神经网络模型,提出卷积长短时记忆神经网络,并应用到蛋白质8类二级结构的预测中.首先基于氨基酸序列的类别信息和氨基酸结构的进化信息表示蛋白质序列,并采用卷积提取氨基酸残基之间的局部相关特征,然后利用双向长短时记忆神经网络提取蛋白质序列内部残基之间的远程相互作用,最后将提取的蛋白质的局部相关特征和远程相互作用用于蛋白质8类二级结构的预测.实验表明,相比基准方法,文中模型提高8类二级结构预测的精度,并具有良好的可扩展性.

不一致性决策表中广义决策约简与相对约简不完全一致.文中给出划分和覆盖2种信任结构下的广义决策约简和相对约简的概念,研究这2种约简的证据结构特征,分别证明广义决策约简和相对约简是保持广义决策值的似然函数之和与信任函数之和不变的最小属性集合.在此基础上,提出划分和覆盖结构中的广义信任约简,进而分析这2种结构中广义决策约简、广义信任约简及相对约简的一致性,证明广义决策约简必为相对约简协调集且广义决策约简与广义信任约简等价,得出相对约简的核蕴含于广义决策约简的结论.最后分别给出2种信任结构下广义决策约简与相对约简相同的充分必要条件,完善不同信任结构中的约简理论.