文件名称：并发概念认知学习模型
文件大小：790KB
文件格式：PDF
更新时间：2024-04-03 09:17:21
Concept learning; Granular computing; Concept-cognitive
概念认知学习（CCL）涉及通过模仿人类的认知过程将新信息整合到自身中的方式。 基于形式概念分析，已经提出了许多CCL系统来满足不同的要求。 但是，这些方法大多数只能在小规模数据集上有效运行，并且缺乏分类能力。 为了克服这两个挑战，基于常规形式决策上下文和多线程技术，本研究提出了一种新的并发CCL模型，作为经典CCL的扩展。 更准确地说，为了提高计算效率，设计了一个新的并发学习框架，并在初始概念构建和CCL阶段开发了其相应的学习算法。 我们通过不断容纳新添加的数据来满足分类任务的要求，提出了一种并发的增量学习技术。 最后，对包括现实世界和合成数据在内的各种数据集进行的实验表明，所提出的并发方法可以达到可比的分类效果，同时可以显着提高概念学习的性能。