随着大数据产业的不断推进与发展,针对数据资料进行知识发现的重要性与日俱增。海量数据为诸多行业和领域带来“维数福音”的同时,大数据本身所具有的复杂多样性、不确定性以及模糊性等系列问题逐渐显露,使得传统意义下的数据挖掘与知识发现面临诸多挑战。如何从庞杂的数据中发掘有价值的信息与知识显得异常重要。近年来,粒计算理论逐步成为大数据和人工智能领域中一项重要的信息处理工具,通过粒化复杂问题到多个简单的子块,可以实现多层次、多视角、多粒度的全方位复杂问题认知。本课题关注于复杂数据的知识发现方法研究,运用粗糙集、模糊集以及形式概念分析等粒计算方法与手段,在对复杂数据进行模糊化处理的基础上,开展了一系列模糊数据的关键特征提取与动态知识更新方法研究。主要研究工作如下:1.考虑到数据中的特征冗余问题,基于局部复杂熵设计了一种启发式向前的特征选择算法。首先通过引进距离函数构建相似关系并建立局部邻域粗糙集模型,根据近似空间设计度量指标用以衡量模型处理不确定性知识的能力。然后基于不确定性度量与数据决策分布改进信息熵,设计用以特征评价的局部复杂信息熵指标并结合指标性质设计启发式向前的特征选择算法。最后,在UCI公开数据集上通过比较与其他特征选择算法在不同分类器上的分类性能验证该算法的有效性。2.面对模糊数据中对象动态变化时的知识更新问题,从局部角度出发设计了基于广义多粒度粗糙集模型的动态近似更新方法。首先通过定义支持度与包含度函数描述对象相似类与目标集之间的关系,进 在多粒度粗糙集模型中引入参数β∈(0.5,1]构建广义多粒度粗糙集模型以灵活地描述数据中的不确定性知识。通过分析变化对象与原有相似类之间的关系发现更新前后近似空间的变化规律。在对象增加/删除时,根据近似空间的变化规律设计基于局部广义多粒度模型的动态近似更新算法,并通过与静态、全局更新算法在时间方面的对比验证局部动态近似更新算法的有效性。3.针对未标签数据中的个案分类现象,结合形式概念分析理论提出了基于渐进模糊三支概念的增量分类学习机制。在模糊形式背景中引进距离函数,结合邻域思想定义模糊三支概念描述对象与属性之间的关系,考虑认知环境的局限性进一步构建渐进模糊三支概念空间并根据对象与渐进概念之间的相似性设计个案分类学习机制。另外,考虑到数据是不断增加的,在原有分类机制的基础上进一步设计增量学习机制以不断更新知识空间。数值实验结果表明该增量机制的分类效果优于对比的其他模糊分类方法,且概念空间的动态更新机制极大提高了学习效率。