摘要：概念是知识表示的基本认知单元,它由外延和内涵两部分构成.由于概念的外延与内涵可以相互诱导,所以概念的外延和内涵中一旦有一个被确定下来,那么这个概念也就随之确定.概念认知是将属于这一概念的特征属性筛选出来,同时把不属于这一概念的特征属性排除,即通过确定内涵的方式获得概念,它采用特定的认知方法来完成概念的识别.当前,概念认知正逐渐借鉴认知科学领域中的一些研究思想,不断地完善自身理论与方法.然而,现有的概念认知方法要求假定概念认知算子具有完全认知功能,但现实中由于个体认知的局限性往往会出现认知不完全的现象,在此情况下要对概念进行全面认知则需漫长等待,这意味着在时限约束条件下可能无法及时获取足够的概念信息.在认知科学领域,一般采取问题分解求解的策略解决此类问题,即根据当前的局部有限信息做出相应的快速决策,为阶段性认知提供有效的及时参考,是渐进式思维的一种认知模式.受此启发,本文提出概念的渐进式认知理论与方法,以处理不完全认知条件下的概念获取问题.具体地,提出概念渐进式认知的认知机理,其功能主要包括概念信息的增删改操作,以模拟一般的认知过程;针对线索为对象集、属性集以及对象集和属性集的三种不同情况,分别给出概念渐进式认知算法,并对它们的时间复杂度和空间复杂度进行分析.特别地,为了实现近似概念认知,设计乐观悲观两种信息融合策略,使得对于任意对象集和属性集为线索的概念认知至少获得一个上界概念.最后,数值实验表明概念渐进式认知算法的有效性.

摘要：风险溢出是系统性金融风险产生和演化的核心动因,因此,探究风险的溢出路径与强度至关重要.为了弥补传统方法在维度与参数上的局限,本文将非参数条件互信息检验与因果网络结构学习算法相结合,提出了一种新的非参数高维因果网络构建方法来分析金融系统波动溢出的动态联动性和风险传递机制.此文在非线性合成数据集中验证了该方法的有效性和稳健性并根据因果拓扑关系构造最优预测子集对序列进行多因子预测.并将该模型应用于构建2013年1月至2019年12月期间全球81家能源公司日度股票收益的波动溢出网络,测量基本面与投资者两种维度的风险溢出强度动态变化并进行预测分析.此外,结合企业财务数据和宏观经济变量,考虑企业之间的业务异质性,探索风险溢出的决定因素.研究结果表明,1)能源产业链的上游以及高油价风险敞口的能源企业表现出较大的风险外溢效应和风险承受程度;2)除公司规模以外,企业资产收益率,边际收益等因素也影响溢出效应的强弱;3)能源公司的风险溢出在业务上存在很大差异,溢出驱动因素也有所不同,这对于在投资组合决策和监管政策设计等具有重要的参考价值;4)虽然因果预选信息选择策略结合非参数模型的短期预测效果要优于结合参数模型,但是随着预测步长的增加,参数模型的优势却更明显.

摘要：面向大规模的数据进行知识约简是近年来粗糙集理论研究的热点。传统不完备信息系统的知识约简是假设在初始时将所有需要处理的数据一次性地装入内存中,这明显不适合处理海量数据,更不适合处理含有缺失信息的海量数据。为此,深入剖析了带有缺失信息的数据特征,把缺失属性的值用该属性所有可能的取值表示,并结合知识约简算法中的可并行性,从属性(集)的可辨识性和不可辨识性出发,并在MapReduce框架下设计了可用来处理不完备信息系统的知识约简算法。实验结果表明,该算法是有效可行的,能够对不完备信息系统中的海量数据进行知识约简。