人工智能和認知物理學(xué)課件

1、1認知科學(xué)研究人類如何獲取知識和使用知識數(shù)據(jù)挖掘讓機器模擬人的智能從數(shù)據(jù)中發(fā)現(xiàn)知識1認知科學(xué)研究人類如何獲取知識和使用知識數(shù)據(jù)挖掘2目錄 人工智能50年發(fā)展回顧 20世紀(jì)物理學(xué)的成就 不確定性認知的原子模型 數(shù)據(jù)場和勢函數(shù) 認知場中的知識發(fā)現(xiàn)2目錄3一、人工智能50年發(fā)展回顧人工智能的興起智能的判定標(biāo)準(zhǔn)人工智能研究的不同切入點人工智能研究的目標(biāo)3一、人工智能50年發(fā)展回顧人工智能的興起4人工智能自誕生之日起就引起人們無限美麗的想象和憧憬；已經(jīng)成為學(xué)科交叉發(fā)展中的一盞明燈,光芒四射；但其理論起伏跌宕，也存在爭議和誤解。4人工智能自誕生之日起就引起人們無限美麗的想象和憧憬；已經(jīng)成5人工智能的興起數(shù)

2、學(xué)家和邏輯學(xué)家；認知學(xué)家和心理學(xué)家；神經(jīng)生理學(xué)家；計算機科學(xué)家 1956年著名的“達特茅斯(Dartmouth)會議”標(biāo)志人工智能學(xué)科的誕生，它從一開始就是交叉學(xué)科的產(chǎn)物。與會者有： 5人工智能的興起數(shù)學(xué)家和邏輯學(xué)家； 1956年著名的“6人工智能的興起 達特茅斯會議上，明斯基（Marvin Minsky）的神經(jīng)網(wǎng)絡(luò)模擬器、麥卡錫（John Mccarthy）的搜索法、以及西蒙（Herbert Simon）和紐厄爾（Allen Newell）的“邏輯理論家”是會議的3個亮點。分別討論如何穿過迷宮，如何搜索推理和如何證明數(shù)學(xué)定理。這是初期人們期待的人工智能。6人工智能的興起 達特茅斯會議上，明斯

3、基（7人工智能的經(jīng)典著作由費根鮑姆主編的Computers and Thought被認為是世界上第一本人工智能的經(jīng)典專著，含21篇著名論文，1963年出版。80年代出版的1-4卷The Handbook of Artificial Intelligence是人工智能的杠鼎之作。7人工智能的經(jīng)典著作由費根鮑姆主編的Computers 8人工智能研究的杰出人物 20世紀(jì)40位圖靈獎獲得者中有6名人工智能學(xué)者，可見人工智能學(xué)科影響之深遠。 1969年：馬文明斯基 1971年：約翰麥卡錫 1975年：赫伯特西蒙和艾倫紐厄爾 1994年：愛德華費根鮑姆和勞伊雷迪8人工智能研究的杰出人物 20世紀(jì)40位圖

4、靈獎獲得者中有9智能的判定標(biāo)準(zhǔn)圖靈(Turing)測試： 如果機器在與人隔離的房間回答人提出的問題，且人無法判斷回答問題的是機器還是人時，則應(yīng)該認為機器已經(jīng)具備人的智能。9智能的判定標(biāo)準(zhǔn)圖靈(Turing)測試：10猴子摘香蕉10猴子摘香蕉11梵塔游戲 初始柱替換柱目的柱11梵塔游戲 初始柱替換柱目的柱12計算機下棋:1997年IBM“深藍”計算機以2勝3平1負的戰(zhàn)績戰(zhàn)勝國際象棋冠軍卡斯帕羅夫,“深藍”計算速度為200萬棋步/秒，采用啟發(fā)式搜索方法；在與下棋領(lǐng)域具有類似性質(zhì)和類似復(fù)雜性問題上，計算機具備有智能。12計算機下棋:1997年IBM“深藍”計算機以2勝3平1負13計算機下棋:卡斯帕羅

5、夫自1990年稱霸國際象棋棋壇,2000年舉行的國際世界象棋冠軍比賽中,克拉莫尼克以8:6領(lǐng)先卡斯帕羅夫?！吧钏{”計算機能否打敗克拉莫尼克？也就是說，“深藍”計算機的智能能否“與時俱進”？13計算機下棋:卡斯帕羅夫自1990年稱霸國際象棋棋壇,2014追求智能的三步曲1） ??！真了不起！2） ??！是這樣的?。?） ?。∵@也算智能嗎？4） 又回到第一步。 14追求智能的三步曲1） ??！真了不起！15人工智能研究的對象不確定非線性不完全變結(jié)構(gòu)多變量分布式15人工智能研究的對象不確定16人工智能的應(yīng)用人工智能的實際應(yīng)用越來越普遍。智能機器人、智能控制、智能網(wǎng)絡(luò)、智能手機、智能數(shù)據(jù)庫、智能管理、智能小

6、區(qū)、智能交通、甚至智能經(jīng)濟等等不絕于耳，知識就是力量。16人工智能的應(yīng)用人工智能的實際應(yīng)用越來越普遍。智能機器人、17人工智能研究的切入點先后出現(xiàn)了3個主流學(xué)派：符號主義方法-邏輯學(xué)派聯(lián)結(jié)主義方法-仿生學(xué)派行為主義方法-控制論學(xué)派17人工智能研究的切入點先后出現(xiàn)了3個主流學(xué)派：18符號主義學(xué)派(西蒙和紐厄爾為代表)物理符號系統(tǒng)假說（physical symbol system hypothesis）。由一組稱為符號的實體組成系統(tǒng)，這些符號可作為組份出現(xiàn)在另一符號實體中。任何時候系統(tǒng)內(nèi)部均有一組符號結(jié)構(gòu)，以及作用在這些符號結(jié)構(gòu)上生成其他符號結(jié)構(gòu)的一組過程。任一物理符號系統(tǒng)如果是有智能的，則必能執(zhí)

7、行對符號的輸入、輸出、存儲、復(fù)制、條件轉(zhuǎn)移和建立符號結(jié)構(gòu)這樣6種操作。反之，能執(zhí)行這6種操作的任何系統(tǒng)，也就一定能夠表現(xiàn)出智能。18符號主義學(xué)派(西蒙和紐厄爾為代表)物理符號系統(tǒng)假說（ph19符號主義學(xué)派認知基元是符號，智能行為通過符號操作來實現(xiàn),以美國科學(xué)家Robinson提出的歸結(jié)原理為基礎(chǔ)，以Lisp和Prolog語言為代表；著重問題求解中啟發(fā)式搜索和推理過程，在邏輯思維的模擬方面取得成功，如自動定理證明和專家系統(tǒng)；歸結(jié)原理不可能成為所有數(shù)學(xué)分支的證明基礎(chǔ)，問題求解和邏輯推理的本質(zhì)僅僅是演譯。19符號主義學(xué)派認知基元是符號，智能行為通過符號操作來實現(xiàn),20聯(lián)結(jié)主義學(xué)派(J.J.Hopfi

8、eld為代表)人的思維基元是神經(jīng)元，把智能理解為相互聯(lián)結(jié)的神經(jīng)元競爭與協(xié)作的結(jié)果,以人工神經(jīng)網(wǎng)絡(luò)為代表,其中,反向傳播網(wǎng)絡(luò)模型（BP)和Hopfield網(wǎng)絡(luò)模型更為突出；著重結(jié)構(gòu)模擬，研究神經(jīng)元特征、神經(jīng)元網(wǎng)絡(luò)拓樸、學(xué)習(xí)規(guī)則、網(wǎng)絡(luò)的非線性動力學(xué)性質(zhì)和自適應(yīng)的協(xié)同行為。20聯(lián)結(jié)主義學(xué)派(J.J.Hopfield為代表)人的思維基21遺傳算法和進化計算：1975年，John Holland提出遺傳算法(Genetic Algorithm)，模仿生物染色體中基因的選擇(selection)、交叉(crossover)和變異(mutation)的自然進化過程,通過個體結(jié)構(gòu)重組,形成一代代新群體（pop

9、ulations) ,最終收斂于近似優(yōu)化解。用于處理多變量、非線性、不確定、甚至混沌的大搜索空間的有約束的優(yōu)化問題；21遺傳算法和進化計算：1975年，John Holland22麻將原理：剛發(fā)到手的牌就“和”了的概率是非常非常小的。不管開始手中的牌有多壞，通過一次次摸牌、選擇、淘汰，可以逐步逼近到最優(yōu)解。這相當(dāng)進化中的變異和選擇原理。麻將的魅力在于可以在容忍的時間內(nèi)讓牌“和”了。遺傳算法和進化計算的收斂性問題。22麻將原理：剛發(fā)到手的牌就“和”了的概率是非常非常小的。23行為主義學(xué)派(R.A.Brooks為代表)控制論研究導(dǎo)致機器人和智能控制，機器人是“感知-行為”模式,是沒有知識的智能(i

10、wk, iwr)，強調(diào)直覺和反饋的重要性；智能行為體現(xiàn)在系統(tǒng)與環(huán)境的交互之中，功能、結(jié)構(gòu)和智能行為不可分割。90年代起智能Agent成為新的熱點。它是一種自治的、具有自發(fā)行為、體現(xiàn)交互性和環(huán)境適應(yīng)性的新型智能機模型，具有移動性、推理、規(guī)劃、學(xué)習(xí)和適應(yīng)能力。23行為主義學(xué)派(R.A.Brooks為代表)控制論研究導(dǎo)致24行為主義學(xué)派反饋是控制論的基石，沒有反饋就沒有智能。根據(jù)目標(biāo)與實際行為之間的誤差來消除此誤差的控制策略。PID控制是控制論對付不確定性的最基本手段。強調(diào)智能系統(tǒng)與環(huán)境的交互，從運行的環(huán)境中獲取信息（感知），通過自己的動作對環(huán)境施加影響。24行為主義學(xué)派反饋是控制論的基石，沒有反饋

11、就沒有智能。25當(dāng)前，以實際問題驅(qū)動的人工智能研究成為主流。人工智能不再是陽春白雪，尤其是數(shù)據(jù)挖掘技術(shù)，要以機器再現(xiàn)人類認識過程的方式，為認知科學(xué)提供了一個新的實體模型和實在形式。25當(dāng)前，以實際問題驅(qū)動的人工智能研究成為主流。人工智能不再26研 究 熱 點模式識別智能檢索專家系統(tǒng)自然語言理解知識工程數(shù)據(jù)挖掘智能控制智能機器人26研 究 熱 點模式識別知識工程27人工智能三次大躍進第一次：智能系統(tǒng)代替人完成部分邏輯推理工作，如專家系統(tǒng)。第二次：智能系統(tǒng)能夠和環(huán)境交互，從運行的環(huán)境中獲取信息，代替人完成包括不確定性在內(nèi)的部分思維工作，通過自身的動作，對環(huán)境施加影響，并適應(yīng)環(huán)境的變化。如智能機器人

12、。第三次：智能系統(tǒng)具有類人的認知和思維能力，能夠發(fā)現(xiàn)新的知識，去完成面臨的任務(wù)，如基于數(shù)據(jù)挖掘的系統(tǒng)。27人工智能三次大躍進第一次：智能系統(tǒng)代替人完成部分邏輯推理28人工智能的目標(biāo)： 程序 = 智能 ? 計算 = 思維 ? 計算機 = 電腦 ?目標(biāo)：以機器方式再現(xiàn)人的智能28人工智能的目標(biāo)： 程序 = 智能 ?29二、20世紀(jì)物理學(xué)的成就物質(zhì)層次結(jié)構(gòu)和原子物理模型場理論和四種相互作用29二、20世紀(jì)物理學(xué)的成就物質(zhì)層次結(jié)構(gòu)和原子物理模型30物質(zhì)層次結(jié)構(gòu)和原子物理模型可以把物質(zhì)的組成層次看成一個個等級，眼前的物體看成是宏觀的，天體看成是宇觀的，把分子和原子作為界標(biāo)，比它們小的物質(zhì)可以稱之為微觀的

13、。原子這個層次十分重要。原子模型的提出與演進，從開爾文模型、湯姆孫模型、勒納德模型、長岡模型、尼克爾森模型直到盧瑟福的原子有核結(jié)構(gòu)模型，以及原子核模型，都表明構(gòu)思物質(zhì)組成模型是一種普遍有效的科學(xué)方法。原子的物理模型成為人類認識世界的五個里程碑之一。30物質(zhì)層次結(jié)構(gòu)和原子物理模型可以把物質(zhì)的組成層次看成一個個31物理學(xué)中的勢場場可視為一個充滿能量的空間。例如，將一個位于無窮遠處的電荷移至電場中需要消耗能量。場在某點P(r)處的單位作功能力被稱為該點的勢，記為(r) 。勢函數(shù)(r)是一個關(guān)于場點位置的標(biāo)量函數(shù)，它在場空間中構(gòu)成一個標(biāo)量場，即勢場。31物理學(xué)中的勢場場可視為一個充滿能量的空間。例如，

14、將一個位32梯度、散度與旋度梯度是描述標(biāo)量場變化特性的矢量函數(shù)，它可以將一個標(biāo)量場轉(zhuǎn)換為矢量場，也可以通過引入一個輔助標(biāo)量函數(shù)來分析簡化矢量場。散度、旋度是描述矢量場的兩個固有特性：源密度和旋渦密度的物理量。在最一般的情況下，一個矢量場總可以被看作由一個有源場和一個旋渦場疊合組成，如電磁場。因此一個含義不明的矢量場只有當(dāng)弄清它的兩個分量各自的貢獻和物理本質(zhì)后，即已知它的散度和旋度后才算明確。32梯度、散度與旋度梯度是描述標(biāo)量場變化特性的矢量函數(shù)，它可33梯度場與旋度場、散度場梯度場=有勢場=有源場=保守場=無旋場33梯度場與旋度場、散度場梯度場=有勢場=有源場=保守場=無34電場和引力場的勢函

15、數(shù)電場的勢函數(shù)引力場的勢函數(shù)從靜電場和引力場的勢函數(shù)計算中可以發(fā)現(xiàn)，兩種場的物理機制雖然各不相同，但在數(shù)學(xué)形態(tài)上卻非常相似，即空間區(qū)域中不同物質(zhì)粒子相互作用的數(shù)學(xué)本質(zhì)是相同或相近的。 34電場和引力場的勢函數(shù)電場的勢函數(shù)35物理學(xué)中的四種相互作用牛頓萬有引力定律（引力反比于距離的平方）認為在多質(zhì)點系中存在兩兩相互作用的引力場和引力勢能。庫倫定律（電力反比于距離的平方）認為電荷之間通過電場相互作用，用電場線和等勢線可使電場分布形象化。具有相等電勢的點構(gòu)成等勢面。35物理學(xué)中的四種相互作用牛頓萬有引力定律（引力反比于距離的36物理學(xué)中的四種相互作用核物理認為，核子之間、核子與介子之間，通過夸克間交

16、換膠子實現(xiàn)強相互作用。這就是力程甚短的核力。按照普適費米理論，弱相互作用是一種點作用，不涉及到任何場。后來人們發(fā)現(xiàn)這一觀點有問題。1984年若貝爾獎被授予魯比亞 (Carlo Rubbia) 和范得米爾（Simon Van der Meer)以表彰他們發(fā)現(xiàn)弱作用場量子W+和Z的杰出貢獻。36物理學(xué)中的四種相互作用核物理認為，核子之間、核子與介子之37物理學(xué)的大統(tǒng)一理論如果以強相互作用的強度為1的話，電磁相互作用的強度，其值約為10-2；弱相互作用約為10-13 10-19 ；引力相互作用最弱，約為10-39。 物理學(xué)家一直企圖將這四種相互作用進行統(tǒng)一。愛因斯坦努力了，沒有取得成果。真正取得進展

17、的是量子場論。量子電動力學(xué)解釋了電磁相互作用；量子色動力學(xué)解釋了強相互作用，又將弱相互作用與電磁相互作用進行統(tǒng)一，即溫伯格-薩拉姆電弱統(tǒng)一理論。大統(tǒng)一理論到現(xiàn)在還缺乏實驗驗證。37物理學(xué)的大統(tǒng)一理論如果以強相互作用的強度為1的話，電磁相38三、不確定性認知的原子模型 人類思維的基本單元 云模型及其數(shù)字特征 正向云發(fā)生器和逆向云發(fā)生器 連續(xù)數(shù)據(jù)離散化（概念化） 概念粒度、概念空間和泛概念樹38三、不確定性認知的原子模型 人類思維的基本單元39人類思維活動的層次性 生命科學(xué)可還原成不同的層次：如腦的生物化學(xué)層次和神經(jīng)構(gòu)造層次。認知活動可能對應(yīng)著一定的生理上的化學(xué)、電學(xué)的變化。但是，目前生命科學(xué)還不

18、能在思維活動與亞細胞的化學(xué)、電學(xué)層次的活動建立確切的關(guān)系。如：一個概念如何以生物學(xué)形式存儲，它與其它概念發(fā)生聯(lián)系的生物學(xué)過程是什么。也不能決定什么樣的神經(jīng)構(gòu)造可以決定著哪些認知模式的發(fā)生。39人類思維活動的層次性 生命科學(xué)可還原40人類思維活動的層次性 目前從腦的生物化學(xué)層次和神經(jīng)構(gòu)造層次研究認知活動尚有困難。再說，如同我們不能從最基礎(chǔ)的硅芯片的活動來推測計算機網(wǎng)絡(luò)上電子郵件的行為一樣，我們又怎么能夠設(shè)想從分析單個離子、神經(jīng)元、突觸的性質(zhì)就能夠推斷人腦的認知和思維活動呢？系統(tǒng)論關(guān)于系統(tǒng)整體特征不是由低層元素加和而成的原理對還原論提出質(zhì)疑。因此，人工智能研究目前需要找到一個合適的層次和單元，向上

19、模擬人類的認知和思維活動。40人類思維活動的層次性 目前從腦的生物化41人類思維活動的工具 自然語言使人類獲得一個強有力的思維工具，這是不爭的事實，起到呈現(xiàn)和保留思維對象及組織思維過程的作用。它是其它各種形式化系統(tǒng)（語言）的基礎(chǔ)，派生出像計算機語言這樣的特殊語言，也派生出包括各種專業(yè)理論的專門化語言,如數(shù)學(xué)語言。這些符號構(gòu)成的形式系統(tǒng), 又成為新一級的形式化。41人類思維活動的工具 自然語言使人類獲得42數(shù)學(xué)漢語外語自然語言符號語言自然語言和符號語言42數(shù)學(xué)漢語外語自然語言符號語言自然語言和符號語言43人類思維活動的工具 自然語言中的語言值表達概念，最基本的語言值代表最基本的概念，成為思維的原

20、子模型。同時，概念具有層次性。43人類思維活動的工具 自然語言中的語言值44概念人類思維的基本單元客觀世界涉及物理對象，主觀世界從認知單元和它指向的物理對象開始，反映了主客觀內(nèi)外聯(lián)系的特性。任何思維活動都是指向一定對象的，通過對象的存在到主觀意識自身的存在。概念作為外部事物在主觀認知中的對應(yīng)物成為思維活動的基本單元。但是概念不是孤立的，它同外部背景有著種種聯(lián)系，是演變和流動的過程。因此，概念必然具有不確定性，甚至包括盲目性和散漫性。44概念人類思維的基本單元客觀世界涉及物理對象，主觀世界從45概念的形成：學(xué)習(xí)和記憶標(biāo)準(zhǔn)特征是概念的一個組成部分，是用來確認某一具體樣例屬于該類別的必要或充分條件。

21、原型在概念中占有特別的地位。模糊的邊界和不清楚的樣例是概念的普遍情況。在一個概括性更高而具體性更低的組織水平上，下位概念作為一個樣例被使用，形成基本水平、下位水平和上位水平的層次結(jié)構(gòu) (basic lever/ subordinate level/superordinate lever)。概念的形成是多次反復(fù)的學(xué)習(xí)和記憶的過程。45概念的形成：學(xué)習(xí)和記憶標(biāo)準(zhǔn)特征是概念的一個組成部分，是用46困擾人工智能的認知模型怎樣表示用自然語言表述的定性知識？怎樣反映自然語言中的不確定性，尤其是模糊性和隨機性？怎樣實現(xiàn)定性和定量知識之間的相互轉(zhuǎn)換？怎樣體現(xiàn)語言思考中的軟推理能力？46困擾人工智能的認知模型怎

22、樣表示用自然語言表述的定性知識？47知識表示 人工智能要以機器為載體模仿以人腦為載體的人的思維活動智能，必須找到在人腦和機器兩種載體之間建立聯(lián)系的手段，而這個任務(wù)正是由形式化來擔(dān)當(dāng)?shù)?。知識表示的形式化在人工智能中居于方法論的重要地位。47知識表示 人工智能要以機器為載體模仿以48認知模型（Cognitive Modeling) 云由許許多多云滴組成，每一個云滴就是這個定性概念映射到數(shù)域空間的一個點，即一次反映量的樣例的實現(xiàn)。這種實現(xiàn)帶有不確定性，模型同時給出這個點能夠代表該定性概念的確定程度。48認知模型（Cognitive Modeling) 49云圖的可視化方法一 給出云滴在數(shù)域（一維、二

23、維或多維）的位置，用一個點表示一個云滴；同時，用該點的輝度表示出這個云滴能夠代表概念的確定度。49云圖的可視化方法一 給出云滴在數(shù)域（一維、二維或多維）50 “靠近坐標(biāo)原點左右”的10000個量化云滴。任何一個云滴都可以在一定程度上代表這個概念。50 “靠近坐標(biāo)原點左右”的10000個量化云滴。任何一個云51云圖的可視化方法二用數(shù)域里的一個圈或球表示一個云滴，其中心反映云滴在數(shù)域的位置；同時，圈或球的大小表示出這個云滴能夠代表概念的確定度。51云圖的可視化方法二用數(shù)域里的一個圈或球表示一個云滴，其中52-3-2-1123-3-2-1123 “靠近坐標(biāo)點左右”的200個量化云滴。任何一個云滴都可

24、以在一定程度上代表這個概念。52-3-2-1123-3-2-1123 “靠近坐標(biāo)點左右”53云圖的可視化方法三 用N+1維表示， N維空間的點表示云滴在數(shù)域的位置，另一維表示這個云滴能夠代表概念的確定度。53云圖的可視化方法三 用N+1維表示， N維空間的點表示54不同數(shù)值代表語言值 “20 km左右”的確定程度54不同數(shù)值代表語言值 “20 km左右”的確定程度55不同的數(shù)值代表平面上的點 “靠近中心”的確定程度55不同的數(shù)值代表平面上的點 “靠近中心”的確定程度56期望值: 在數(shù)域空間最能夠代表這個定性概念的點，反映了云滴群的重心位置。云數(shù)字特征的雙重性ExEnHe熵一方面反映了在數(shù)域空間

25、可被概念接受的范圍，即模糊度,是定性概念亦此亦彼性的度量；另一方面還反映了在數(shù)域空間的點能夠代表這個概念的概率，表示定性概念的云滴出現(xiàn)的隨機性。熵揭示了模糊性和隨機性的關(guān)聯(lián)性。超熵是熵的不確定度量，即熵的熵，反映了在數(shù)域空間代表該語言值的所有點的不確定度的凝聚性，即云滴的凝聚度。56期望值: 在數(shù)域空間最能夠代表這個定性概念的點，反映了云57正態(tài)云發(fā)生器的實現(xiàn)算法1.生成以En為期望值，He為方差的一個正態(tài)隨機數(shù)En；2.生成以Ex為期望值，En為方差的一個正態(tài)隨機數(shù)x；3.計算 4. 使（x , y）成為論域中的一個云滴；5. 重復(fù)步驟14直至要求數(shù)目的云滴產(chǎn)生。57正態(tài)云發(fā)生器的實現(xiàn)算法1

26、.生成以En為期望值，He為方差58逆向云發(fā)生器算法1 由Ex = 求得Ex；2 對每一對（xi, yi），由 求出Eni ；3 由En = 求得En；4 求Eni的均方差 得到He；58逆向云發(fā)生器算法1 由Ex = 59云模型的多種形態(tài)正態(tài)云 云其它多維云59云模型的多種形態(tài)正態(tài)云 云其它60例子: 射擊評判射手乙射手甲射手丙評判人員：統(tǒng)計學(xué)家、模糊學(xué)家、 云理論研究者60例子: 射擊評判射手乙射手甲射手丙評判人員：統(tǒng)計學(xué)家、模61射擊評判統(tǒng)計學(xué)家用概率值表示射擊效果；模糊學(xué)家用隸屬度表示射擊效果；裁判用總環(huán)數(shù)（模糊+統(tǒng)計）表示射擊效果；人們用定性語言評價射擊效果，云方法用3個數(shù)字特征表示

27、定性概念。61射擊評判統(tǒng)計學(xué)家用概率值表示射擊效果；62云評價方法略偏左上，比較離散，不穩(wěn)定略偏右下，射點集中，較穩(wěn)定射點靠近靶心，比較離散，不穩(wěn)定62云評價方法略偏左上，比較離散，不穩(wěn)定略偏右下，射點集中，63原始靶標(biāo)還原10發(fā)彈著點還原100發(fā)彈著點63原始還原還原64誤解：云方法是模糊方法 云方法沒有僅僅停留在哲學(xué)上的思辯，也不能簡單地說是概率方法或模糊方法，通過云模型實現(xiàn)定性概念和定量數(shù)據(jù)之間的轉(zhuǎn)換是一個十分嚴(yán)格的數(shù)學(xué)方法，使得定性和定量之間的轉(zhuǎn)換變得十分清晰、具體和可操作，同時又反映了轉(zhuǎn)換過程的不確定性。64誤解：云方法是模糊方法 云方法沒有僅僅停留在哲學(xué)上65連續(xù)數(shù)據(jù)離散化對連續(xù)數(shù)

28、據(jù)，首先求得各數(shù)據(jù)點的頻數(shù)，對其分布進行云變換，使之成為若干個大小不同的云的疊加，每個云代表一個離散的、定性的概念。數(shù)據(jù)轉(zhuǎn)換為概念。65連續(xù)數(shù)據(jù)離散化對連續(xù)數(shù)據(jù)，首先求得各數(shù)據(jù)點的頻數(shù)，對其分66原始數(shù)據(jù)分布擬合結(jié)果云變換連續(xù)數(shù)據(jù)離散化：云變換66原始數(shù)據(jù)分布擬合結(jié)果云變換連續(xù)數(shù)據(jù)離散化：云變換67概念的粒度 在人的意識活動中，思維的推進是與概念的轉(zhuǎn)移和提升相聯(lián)系的。轉(zhuǎn)移和提升的跨度和路徑也是多樣的，我們可以把在一定層次上的思維模式看作是為原始思維活動拍攝的一張快照。反映概念對應(yīng)的客觀事物的粒度。概念的粒度可以用云模型中的熵度量。67概念的粒度 在人的意識活動中，思維的推68概念空間 概念空間

29、是指同一類概念的數(shù)域。例如，當(dāng)討論語言變量年齡這個范疇內(nèi)的不同語言值時，如10歲左右、少年、青少年、中年、晚年等等概念，常常要明確它們在數(shù)域上所表現(xiàn)出的內(nèi)涵和外延，以及相互之間的等價（相似）關(guān)系或從屬（包含）關(guān)系。因此，不同信息粒度之間的概念在概念空間會形成層次的結(jié)構(gòu)。68概念空間 概念空間是指同一類概念的數(shù)域69概念的層次結(jié)構(gòu) 當(dāng)討論語言變量年齡這個范疇內(nèi)的不同語言值（概念）時，常常要明確這些概念是大概念還是小概念，粗概念還是細概念，以及相互之間的等價（相似）關(guān)系或從屬（包含）關(guān)系。因此，不同信息粒度之間的概念在概念空間會形成層次的結(jié)構(gòu)，或者說是泛概念樹結(jié)構(gòu)。69概念的層次結(jié)構(gòu) 當(dāng)討論語言變

30、量年齡這70不同年齡人的泛概念樹少年 未成年人幼兒青年中年嬰幼兒兒童小學(xué)生中青年中學(xué)生大學(xué)生所有成年人青壯年老年.70不同年齡人的泛概念樹少年 未成年人幼兒青年中年嬰幼71用云表示的泛概念樹微觀層中觀層宏觀層年齡71用云表示的泛概念樹微觀層中觀層宏觀層年齡72泛概念樹可動態(tài)生成不同層次的概念體現(xiàn)了定性概念的隨機性和模糊性體現(xiàn)不同層次概念間的多隸屬關(guān)系反映了數(shù)據(jù)的實際分布情況泛概念樹的爬升和跳躍72泛概念樹可動態(tài)生成不同層次的概念73四、數(shù)據(jù)場和勢函數(shù) 客體間的相互作用和數(shù)據(jù)場 勢函數(shù)及其確定準(zhǔn)則 用數(shù)據(jù)場思想進行特征提取和 模式識別73四、數(shù)據(jù)場和勢函數(shù) 客體間的相互作用和數(shù)據(jù)場74數(shù)據(jù)場的引

31、入 學(xué)科的交叉滲透是當(dāng)前科學(xué)發(fā)展的總趨勢，對客觀世界的認識和描述，無論是力學(xué)、熱物理、電磁學(xué)和近代物理，從粒子到宇宙在不同尺度上都有場的作用。那么，人自身的認知和思維過程，從數(shù)據(jù)到信息到知識，是否也可以用場來描述？74數(shù)據(jù)場的引入 學(xué)科的交叉滲透是當(dāng)前科學(xué)75物理場舉例在一個質(zhì)量為M的質(zhì)點產(chǎn)生的引力場中，任一場點r處的勢可以描述為：如果空間中存在多個質(zhì)點，則r處的勢等于每個質(zhì)點單獨產(chǎn)生的勢的疊加，即75物理場舉例在一個質(zhì)量為M的質(zhì)點產(chǎn)生的引力場中，任一場點r76數(shù)據(jù)與數(shù)據(jù)場 受物理場的啟發(fā)，可將物質(zhì)粒子間相互作用及其場描述方法擴展至抽象的數(shù)據(jù)空間。數(shù)據(jù)空間中的每個對象都相當(dāng)于一個質(zhì)點或核子，在

32、其周圍產(chǎn)生一個球形對稱的作用場，位于場內(nèi)的所有對象都將受到其他對象的聯(lián)合作用，從而在整個數(shù)據(jù)空間上形成一個場，我們稱之為數(shù)據(jù)場。正如引力場、核力場可以用勢函數(shù)描述，我們也引入勢函數(shù)來描述數(shù)據(jù)場的性質(zhì)。76數(shù)據(jù)與數(shù)據(jù)場 受物理場的啟發(fā)，可將物質(zhì)粒子間相77確定勢函數(shù)形態(tài)的準(zhǔn)則勢函數(shù)具有各向同性，即對稱性；勢函數(shù)是定義在數(shù)域空間上的連續(xù)函數(shù)；勢函數(shù)值隨離開場源的距離增大而下降；表示勢函數(shù)的連續(xù)函數(shù)，應(yīng)該光滑，即可微。77確定勢函數(shù)形態(tài)的準(zhǔn)則勢函數(shù)具有各向同性，即對稱性；78可選的勢函數(shù)形態(tài)擬引力場的勢函數(shù)：擬核力場的勢函數(shù)： 其中， 為以場源坐標(biāo)為原點時場點的徑向半徑；參數(shù)k為一個正整數(shù)，用于調(diào)節(jié)

33、勢函數(shù)的衰減特性；參數(shù)b（0，+），用于控制對象的作用范圍，稱為影響因子；參數(shù)a相當(dāng)于質(zhì)點或核子的質(zhì)量代表數(shù)據(jù)場的強度。 78可選的勢函數(shù)形態(tài)擬引力場的勢函數(shù)： 其中， 為以79兩種勢函數(shù)形態(tài)比較擬引力場的勢函數(shù)擬核力場的勢函數(shù)79兩種勢函數(shù)形態(tài)比較擬引力場的勢函數(shù)擬核力場的勢函數(shù)80數(shù)據(jù)場的勢函數(shù)定義 已知數(shù)據(jù)空間中的對象集 及其產(chǎn)生的數(shù)據(jù)場，則任一場點y處的勢函數(shù)可以定義為所有對象在該點處產(chǎn)生的單位勢值的疊加： 其中，為場點y與對象xi間的距離；80數(shù)據(jù)場的勢函數(shù)定義 已知數(shù)據(jù)空間中的對象集 81數(shù)據(jù)場的可視化二維數(shù)據(jù)空間中的一個數(shù)據(jù)集及其產(chǎn)生的數(shù)據(jù)場等勢線圖81數(shù)據(jù)場的可視化二維數(shù)據(jù)空間

34、中的一個數(shù)據(jù)集及其產(chǎn)生的數(shù)據(jù)場82數(shù)據(jù)場擴展自然語言中的基本語言值是定性概念，由于每個定性概念都可以用一個數(shù)值型集合來表示其內(nèi)涵和外延， 即對應(yīng)著一個定量的數(shù)據(jù)子空間，稱為概念空間。概念和概念之間也可以通過場相互作用，形成概念間的泛層次樹，又稱上、下位詞表。人類思維過程中的對象，對應(yīng)著一個定量的數(shù)據(jù)空間，反映對象的多個屬性，稱為特征空間。對象和對象之間也通過場相互作用，形成知識。概念空間和特征空間中的場統(tǒng)稱為數(shù)據(jù)場。82數(shù)據(jù)場擴展自然語言中的基本語言值是定性概念，由于每個定性83我們將云滴的確定度視為場源的質(zhì)量，顯然，確定度高的云滴具有較強的作用場。右圖中每個云滴的位置坐標(biāo)和確定度為： A(1

35、0,12,0.6) B(10,10,1) C(13,11,0.3)8910111213141589101112131415ABC不同確定度的三個云滴形成的數(shù)據(jù)場等勢線圖83我們將云滴的確定度視為場源的質(zhì)量，顯然，確定度高的云滴具84用數(shù)據(jù)場思想進行特征提取和模式識別84用數(shù)據(jù)場思想進行特征提取和模式識別85ABCDEFGHIJ預(yù)處理后的人臉圖像每幅圖象的原始尺寸為 256 x 256 個像素點，256級灰度85ABCDEFGHIJ預(yù)處理后的人臉圖像每幅圖象的原始尺寸86灰度數(shù)據(jù)集映射成為數(shù)據(jù)場及勢的局部極值A(chǔ)BCDEFGHIJ86灰度數(shù)據(jù)集映射成為數(shù)據(jù)場及勢的局部極值A(chǔ)BCDEFGHI878.

36、6917308.41101913.612820J11.80192811.14101913.912718I12.45182911.8391814.082716H11.71182912.66101913.202619G10.96182812.80101913.142619F11.92182912.39101913.052619E11.25183012.05101812.812618D11.10182912.55101912.692619C10.92182911.88101913.292519B11.21193012.13101912.632619AVPYXVPYXVPYXThe third fea

37、tureThe second featureThe first featureNamefeature數(shù)據(jù)場的極值成為邏輯特征878.6917308.41101913.612820J1188二次生成數(shù)據(jù)場進行模式識別If we pick up an extreme local maximum potential value and its position as the most important feature for each face image, the facial feature data field for the ten face images may be, once aga

38、in, illustrated by a new isopotential lines.88二次生成數(shù)據(jù)場進行模式識別If we pick up a89Face identification with the first featureABCDEFGHIJ89Face identification with the90Isopotential lines show the similarities and outliers for the ten imagesACEFGBDIHJABCDEFGHIJ90Isopotential lines show the 91Face Recognition

39、 using Facial Main Feature Data FieldWe may also pick up N local maximum potential values and their positions as the main features for each face picture, the main feature data are calculated byThe main feature data field for the ten face picture is illustrated once again by equal potential lines.and

40、91Face Recognition using Faci92用多個特征值融合后的識別結(jié)果ABCDEFGHIJ92用多個特征值融合后的識別結(jié)果ABCDEFGHIJ93Face identification: discovering similarities and discriminationBCGEDFAHIJABCDEFGHIJ93Face identification: discove94用數(shù)據(jù)場方法看IRIS數(shù)據(jù)分類94用數(shù)據(jù)場方法看IRIS數(shù)據(jù)分類95IRIS原始數(shù)據(jù)集2.15.43.16.9Virginica 1.84.83.06.0Virginica Virginica 2.55

41、.73.36.7Virginica 2.35.93.26.8Virginica Versicolour 1.54.93.1 6.9Versicolour 1.54.53.26.4Versicolour 1.44.73.27.0Versicolour Setosa 0.21.43.65.0Setosa 0.21.33.24.7Setosa 0.21.43.04.9Setosa 0.21.43.55.1Setosa 花片寬度花瓣長度萼片寬度萼片長度類型95IRIS原始數(shù)據(jù)集2.15.43.16.9Virgini96數(shù)據(jù)預(yù)處理 對iris數(shù)據(jù)中的萼片屬性和花瓣屬性分別做降維處理，得到新的屬性： 花瓣

42、張角=arctg(花瓣寬度/花瓣長度）； 萼片張角=arctg(萼片寬度/萼片長度）；96數(shù)據(jù)預(yù)處理 對iris數(shù)據(jù)中的萼片屬性和花瓣屬性分別97處理后數(shù)據(jù)集0.3393 0.4704Virginica0.4027 0.5016VirginicaVirginica0.4133 0.4577Virginica0.3717 0.4398VirginicaVersicolour0.29710.4223Versicolour0.32180.4636Versicolour0.28950.4288VersicolourSetosa0.13260.5930Setosa0.15260.5978Setosa 0

43、.14190.5494Setosa 0.14190.6015Setosa 花瓣張角萼片張角類型97處理后數(shù)據(jù)集0.3393 0.4704Virginica98預(yù)處理后數(shù)據(jù)分布98預(yù)處理后數(shù)據(jù)分布99從數(shù)據(jù)場平面分布看分類結(jié)果99從數(shù)據(jù)場平面分布看分類結(jié)果100從數(shù)據(jù)場立體分布看分類結(jié)果12.376019.00029.99463.4336100從數(shù)據(jù)場立體分布看分類結(jié)果12.376019.0002101五、認知場中的知識發(fā)現(xiàn) 數(shù)據(jù)挖掘與知識發(fā)現(xiàn) 發(fā)現(xiàn)狀態(tài)空間 類譜圖101五、認知場中的知識發(fā)現(xiàn) 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)102數(shù)據(jù)挖掘與知識發(fā)現(xiàn)Data Mining and Knowledge Disc

44、overy從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。102數(shù)據(jù)挖掘與知識發(fā)現(xiàn)Data Mining and K103從數(shù)據(jù)中發(fā)現(xiàn)知識的難點大量甚至海量數(shù)據(jù)中，存在有數(shù)據(jù)的誤差、畸變、丟失或過度重疊，以歸納為主的知識發(fā)現(xiàn)過程，實際上是建立在或多或少的病態(tài)數(shù)據(jù)之上；由種種案例數(shù)據(jù)反推對象的性質(zhì)可認為是逆向思維，人們在命題、方法或結(jié)果三個方面會獲得更多的目標(biāo)選擇。103從數(shù)據(jù)中發(fā)現(xiàn)知識的難點大量甚至海量數(shù)據(jù)中，存在有數(shù)據(jù)的數(shù)據(jù)挖掘數(shù)據(jù)選擇預(yù)處理挖掘和發(fā)現(xiàn)知識解釋和驗證數(shù)據(jù)挖掘105SelectionPrepro

45、cessingTransformationData MiningInterpretation/EvaluationTraget DataProcessed DataTransformed DataPatternsKnowledgeDMKD系統(tǒng)的基本構(gòu)成105SelectionPreprocessingTrans發(fā)現(xiàn)什么樣的知識？關(guān)聯(lián)知識聚類知識序列知識 分類知識預(yù)測知識相似時間序列發(fā)現(xiàn)什么樣的知識？分類知識預(yù)測知識相似時間序列數(shù)據(jù)挖掘工具歸納演繹聯(lián)想類比證偽數(shù)據(jù)挖掘工具歸納108數(shù)據(jù)挖掘與知識發(fā)現(xiàn)Data Mining and Knowledge Discovery 特定問題或特定環(huán)境下的數(shù)據(jù)

46、，是一種原始的、混亂的、不成形的自然狀態(tài)積累，但又是一種可以從中生長出秩序和規(guī)則的源泉。如何透過表觀上的千頭萬緒、混亂無規(guī)，去挖掘蘊含其中的規(guī)則性、有序性、相關(guān)性和離群性，這就是知識發(fā)現(xiàn)。108數(shù)據(jù)挖掘與知識發(fā)現(xiàn)Data Mining and K109DMKD的本質(zhì)什么是數(shù)據(jù)？什么是信息？什么是知識？本質(zhì)是歸納，是由微觀到中觀到宏觀的抽象.瓶頸是數(shù)據(jù)、信息和知識表示的不確定性問題.109DMKD的本質(zhì)什么是數(shù)據(jù)？什么是信息？什么是知識？110發(fā)現(xiàn)狀態(tài)空間抽象程度AMTO110發(fā)現(xiàn)狀態(tài)空間抽象程度AMTO111發(fā)現(xiàn)狀態(tài)空間特征空間的對象通過場發(fā)生相互作用。如同物理學(xué)中粒子之間通過場（場量子）形成

47、強力、電磁力、弱力或引力的相互作用一樣。對象在特征空間相互作用形成的場結(jié)構(gòu)反映了對象的普遍知識（廣義知識）。隨著描述對象粒度（熵）越來越大，形成的普遍知識越來越宏觀。發(fā)現(xiàn)了的知識上升到抽象級別更高的層次。20世紀(jì)的物理學(xué)的發(fā)展是簡化歸納。數(shù)據(jù)挖掘的本質(zhì)也是簡化歸納。111發(fā)現(xiàn)狀態(tài)空間特征空間的對象通過場發(fā)生相互作用。如同物理112人類的認知過程是對復(fù)雜對象關(guān)系的中觀、宏觀的知識發(fā)現(xiàn)過程，是對象所在的特征空間的微觀數(shù)據(jù)通過用自然語言表述的不同抽象度概念的非線性相互作用下涌現(xiàn)（突現(xiàn)）的自組織特性。112人類的認知過程是對復(fù)雜對象關(guān)系的中觀、宏觀的知識發(fā)現(xiàn)過113發(fā)現(xiàn)狀態(tài)空間 = (特征空間|概念粒

48、度） 113發(fā)現(xiàn)狀態(tài)空間 =114數(shù)據(jù)挖掘過程，實際上是從不同的抽象度上認識數(shù)據(jù)。所謂微觀、中觀、宏觀，就是可視化的稱謂。因此，數(shù)據(jù)挖掘需要各級視圖的支持。114數(shù)據(jù)挖掘過程，實際上是從不同的抽象度上認識數(shù)據(jù)。所謂微115隨著抽象度的提高：描述每個屬性中的概念的粒度越來越大；特征空間對象之間的關(guān)系越來越普遍；發(fā)現(xiàn)的知識逐步由微觀走向中觀、宏觀；整個歸納過程形成發(fā)現(xiàn)狀態(tài)空間的不斷轉(zhuǎn)換。115隨著抽象度的提高：描述每個屬性中的概念的粒度越來越大；116對象屬性的選取形成不同視圖，好比是從不同角度投射到客體的不同光柱，它們各有所見不及之處，但也各自照亮了不同景象。116對象屬性的選取形成不同視圖，好

49、比是從不同角度投射到客體117從不同距離觀察客體群，各有所見之景象。通過推拉鏡頭，可以改變觀察的距離，形成不同粒度的視圖。117從不同距離觀察客體群，各有所見之景象。通過推拉鏡頭，可118特征空間 當(dāng)我們討論一個客體（對象、事物、案例、記錄等）具有不同屬性或特征時，常常用特征空間作為討論問題的范疇，N個屬性或特征，構(gòu)成N維空間。這時，這個客體成為特征空間的一個點。特征空間任何一點的勢可認為是所有客體在這一點的勢的疊加。118特征空間 當(dāng)我們討論一個客體（對象、119特征空間的聚類和類譜圖 當(dāng)我們進行數(shù)據(jù)挖掘時，將數(shù)據(jù)庫中的一條記錄按照其N個屬性，把這條記錄映射到特征空間中的一個特定點上，成千上

50、萬的記錄在特征空間是成千上萬個點，整體上呈現(xiàn)出的抱團特性，可以通過嵌套的等勢線(面)-自然的拓撲結(jié)構(gòu)，形成自然的聚類和類譜圖。119特征空間的聚類和類譜圖 當(dāng)我們進行數(shù)120分類和聚類研究的基礎(chǔ)性 分類和聚類，乃是人類社會活動、生產(chǎn)活動以及科研活動中最基本、最重要的活動之一。分類和聚類研究的基礎(chǔ)性決定了其應(yīng)用的普遍性。120分類和聚類研究的基礎(chǔ)性 分類和聚類，121場方法發(fā)現(xiàn)聚類知識姓名工齡（月）工資（千元）A3030B5030C4070D6070E7050121場方法發(fā)現(xiàn)聚類知識姓名工齡（月）工資（千元）A3030122304050607080工齡304050607080工資ABCDE特征空

51、間5個對象的自然聚類122304050607080工齡304050607080工1235個對象構(gòu)成的泛類譜系圖ABCDE1235個對象構(gòu)成的泛類譜系圖ABCDE124特征空間的3000個對象的自然聚類ABC304050607080工齡304050607080工資ABCDE124特征空間的3000個對象的自然聚類ABC304050125和傳統(tǒng)聚類方法的比較：通常，人們用N個客體中的N1個樣本作為訓(xùn)練集去形成聚類結(jié)果，用N-N1個樣本作為測試集去驗證聚類效果。實際上，這就宣布了只有這N1個樣本才對聚類有貢獻，若N=100,極端地設(shè)想N1=2或 N1=98，必然會有不同結(jié)果。如何確定N1并選取那些樣

52、本為N1,成為一個大問題，也暴露出這種方法的缺陷。125和傳統(tǒng)聚類方法的比較：通常，人們用N個客體中的N1個樣126和傳統(tǒng)聚類方法的比較：從極微觀上看，這N個客體各自都有體現(xiàn)自身價值的不同特征，差異是絕對的，最嚴(yán)最細的分法應(yīng)該是N類。從極宏觀上看，這N個客體既然被用若干特征放到一起比較，說明具有可比性，可以統(tǒng)屬一類。在發(fā)現(xiàn)狀態(tài)空間不同概念層次上聚類，以及聚類的相對性，就是我們的聚類觀。126和傳統(tǒng)聚類方法的比較：從極微觀上看，這N個客體各自都有127知識就是不同層次上的“規(guī)則+例外”127知識就是不同層次上的“規(guī)則+例外”128304050607080工齡304050607080工資去除例外后

53、的聚類圖AC304050607080工齡304050607080工資128304050607080工齡304050607080工129304050607080工齡304050607080工資304050607080工齡304050607080工資3000個對象中類和離群的相對性129304050607080工齡304050607080工130信息粒度粒度(Granularity)原本是一個物理學(xué)的概念，是指“微粒大小的平均度量”，在這里被借用作為對概念的抽象度的度量。把概念可視化。概念的粒度用云的熵來度量。概念在定量空間的位置用云的期望值來標(biāo)定。130信息粒度粒度(Granularity)原本

54、是一個物理學(xué)131信息粒度 人類智能的一個公認特點是人們能夠從極不相同的粒度上觀察和分析同一問題，各有各的用處。人們不僅能夠在同一粒度的世界上進行問題求解，而且能夠很快地從一個粒度世界跳到另一個粒度世界，往返自如；甚至具有同時處理不同粒度世界的能力。這正是人類問題求解的強有力的表現(xiàn)。131信息粒度 人類智能的一個公認特點是人們能夠從極不相132觀察距離:境界決定了認知的高度從較細的粒度世界躍升到較粗的粒度世界，是對信息或知識的抽象，可以使問題簡化，數(shù)據(jù)處理量大大減少，這一過程稱為數(shù)據(jù)簡約或歸約。換句話說，用粗粒度觀察和分析信息，就是增加觀察距離，忽略細微的差別，尋找共性。共性常常比個性更深刻,

55、可以求得宏觀的把握。132觀察距離:境界決定了認知的高度從較細的粒度世界躍升到較133觀察距離:境界決定了認知的高度反過來，縮短觀察距離，用細粒度觀察和分析信息，發(fā)現(xiàn)紛繁復(fù)雜的表象，更準(zhǔn)確地區(qū)分差別，個性要比共性豐富，但是不能完全進入共性之中。通過概念提升, 就是增加觀察距離，可以發(fā)現(xiàn)更普遍的知識。133觀察距離:境界決定了認知的高度反過來，縮短觀察距離，用134拉鏡頭發(fā)現(xiàn)特征空間的宏觀知識：屬性方向和宏元組方向的概括性加大；知識模板的物理尺寸減小。從較細的粒度躍升到較粗的粒度世界，是對數(shù)據(jù)的抽象，簡化問題，減少數(shù)據(jù)量，這一過程稱為數(shù)據(jù)的歸約。忽略細微的差別，尋找共性。共性常常比個性更深刻。1

56、34拉鏡頭發(fā)現(xiàn)特征空間的宏觀知識：屬性方向和宏元組方向的135推鏡頭發(fā)現(xiàn)特征空間的微觀知識：在發(fā)現(xiàn)空間的某個抽象層次上，縮短觀察距離，用較細粒度觀察和分析信息，發(fā)現(xiàn)紛繁復(fù)雜的表象，更準(zhǔn)確地區(qū)分差別；個性要比共性豐富，但是不能完全進入共性之中。135推鏡頭發(fā)現(xiàn)特征空間的微觀知識：在發(fā)現(xiàn)空間的某個抽象層136發(fā)現(xiàn)策略和方法發(fā)現(xiàn)是微觀和宏觀之間的跳躍，是信息粒度的變化，或者說是觀察距離的不同；綜合運用歸納、類比、聯(lián)想，并結(jié)合證偽和演繹，形成五大手段；以云模型作為定性定量轉(zhuǎn)換和知識表示的工具。具體發(fā)現(xiàn)方法可以是多種多樣的。136發(fā)現(xiàn)策略和方法發(fā)現(xiàn)是微觀和宏觀之間的跳躍，是信息粒度的137知識發(fā)現(xiàn)機理數(shù)

57、據(jù)挖掘揭示了人類由個別到一般、從具體到抽象的“數(shù)據(jù)概念規(guī)則”的認知規(guī)律。概念是認知的基元；數(shù)據(jù)是形成概念的要素；規(guī)則是在不同概念層次上客體之間的關(guān)聯(lián)；不同抽象度的知識，實際上是不同概念層次上的“規(guī)則加例外”而已；境界決定了認知的高度。認知物理學(xué)用計算機具體實現(xiàn)了這一規(guī)律的發(fā)現(xiàn)過程。137知識發(fā)現(xiàn)機理數(shù)據(jù)挖掘揭示了人類由個別到一般、從具體到抽138從數(shù)據(jù)開采的角度看專家系統(tǒng)：專家系統(tǒng)是正向方式認識世界，以演繹為主；數(shù)據(jù)開采是逆向方式認識世界，以歸納為主。通過數(shù)據(jù)開采來發(fā)現(xiàn)知識的過程，就是構(gòu)造專家系統(tǒng)、生成知識庫的過程。138從數(shù)據(jù)開采的角度看專家系統(tǒng)：專家系統(tǒng)是正向方式認識世界139The Ex

58、perimental Database139The Experimental Database140Mining Association RulesApriori algorithmCloud based generalization as preprocessing2D clouds : location1D clouds : elevation, road density, distance to the sea, average incomeMinimum Support : 6% Minimum Confidence : 75%Mining association at multiple concept levels140Mining Association RulesApr141Discovered Association Rules for “average income”Rule 1 : If location is “southeast”, road density is “high”, and distance to the sea is “close”,