概念认知学习是人工智能、大数据领域关注的多学科交叉研究方向，涵盖了哲学、数学、心理学、认知科学以及信息科学等领域．《概念认知学习理论与方法》旨在为广大学者和科研工作者提供概念认知学习领域的基础理论与学习方法．《概念认知学习理论与方法》主要内容包括概念认知学习的基本概念和基础知识、概念认知系统的逻辑推理、概念认知的双向学习机制、对象 -属性诱导概念学习理论、多注意力概念认知学习模型、渐进模糊三支概念的增量学习机理、复杂网络下的概念认知学习以及概念的渐进式认知等理论体系．
更多科学出版社服务，请扫码获取。
目录
第1章绪论1
1.1认知科学简述1
1.2概念认知学习的基本思想3
1.3本书结构6
第2章预备知识8
2.1模糊集合的基本概念8
2.1.1模糊性和模糊集合8
2.1.2模糊集合的运算10
2.1.3模糊集合的水平截集13
2.2粗糙集的基本概念15
2.3形式概念分析基本理论18
2.4三支概念分析基本理论22
第3章基于逆序Galois联络的认知逻辑26
3.1语法理论26
3.2LGE的一种等价形式LGC29
3.2.1LGC的语法理论29
3.2.2LGC的语义理论30
3.2.3LGC的可靠性与完备性定理31
3.3LGC与EMT4之间的内在联系34
3.4LGC与LGE之间的内在联系40
3.5一种基于认知系统的逻辑LES42
3.6本章小结48
第4章基于Galois联络的直觉认知逻辑49
4.1IntGC逻辑49
4.2代数语义及其完备性53
4.3IntGC的Kripke语义及其完备性54
4.4IntGC的有限模型性质及其可判定性59
viii 概念认知学习理论与方法
4.5本章小结60
第5章概念认知的双向学习机制61
5.1模糊数据的概念格61
5.2双向学习系统和信息粒63
5.3模糊数据的双向学习机制67
5.4双向学习算法与实验分析70
5.4.1模糊数据的双向学习算法70
5.4.2时间复杂度分析72
5.4.3案例分析和实验评估73
5.5本章小结84
第6章增量概念认知学习85
6.1概念认知算子的公理化85
6.2粒概念及其性质88
6.3概念认知系统的增量设计90
6.4基于上下逼近思想的概念认知过程97
6.4.1基于对象集的概念学习98
6.4.2基于属性集的概念学习103
6.4.3基于对象-属性集序对的概念学习106
6.5本章小结110
第7章多注意力概念认知学习112
7.1概念注意力空间112
7.2基于图注意力的概念聚类115
7.3多注意力概念预测120
7.4多注意力概念学习整体框架122
7.5数值实验与分析123
7.5.1与S2CLα和其他**分类算法对比测试模型的性能124
7.5.2模型参数的影响125
7.5.3MNIST数据集上的概念生成130
7.6本章小结131
第8章基于渐进模糊三支概念的增量学习132
8.1渐进模糊三支概念的学习过程132
8.2渐进模糊三支概念的增量学习机制139
8.3数值实验与分析143
8.3.1ILMPFTC机制的分类性能验证144
8.3.2动态数据环境下增量学习机制的收敛性评估152
8.3.3动态机制的有效性155
8.4本章小结158
第9章复杂网络下的概念认知学习159
9.1基本概念159
9.2网络形式背景161
9.3网络概念的指标集163
9.4网络形式概念167
9.4.1网络概念的基本理论167
9.4.2网络概念的性质175
9.5本章小结180
第10章概念的渐进式认知181
10.1渐进式认知概念181
10.2概念的渐进式认知方法190
10.2.1线索为对象集的概念渐进式认知190
10.2.2线索为属性集的概念渐进式认知193
10.2.3线索包含对象集与属性集的概念渐进式认知194
10.3数值实验与分析197
10.3.1实验环境198
10.3.2实验结果198
10.3.3对比分析203
10.4概念认知方法的对比分析204
10.5本章小结205
第11章MapReduce框架下的概念认知学习207
11.1粒概念的并行算法207
11.1.1概念的认知机理207
11.1.2构建粒概念的并行算法208
11.2认知计算系统及其并行算法209
11.2.1认知计算系统209
11.2.2认知计算系统的并行算法210
11.3认知学习过程及其并行算法213
11.3.1认知学习过程213
11.3.2认知学习过程的并行算法213
11.4数值实验与分析216
11.4.1实验环境216
11.4.2粒概念求解算法对比217
11.4.3数据集规模对并行算法耗时的影响218
11.5本章小结220
参考文献221
书单推荐
