vek等人 [18-20] 基于剩余格理论在模糊形式背景下提出了模糊概念的定义，并证明所提出的概念几乎满足所有经典形式背景下概念的性质.Krupka等人 [21] 把形式概念分析引入到模糊集上，将形式背景中的值由最初的0或1的二元数据，扩充为可以是[0,1]区间的任意数值.Krupka通过把不完备的不确定信息转化为不完备的模糊形式背景，提出了在不完备模糊形式背景下的建格算法. 邹 丽 1 冯凯华 1 刘 新 2
1 (辽宁师范大学计算机与信息技术学院 辽宁大连 116081) 2 (辽宁师范大学数学学院 辽宁大连 116029) (zoulicn@163.com)
摘 要 人们经常用自然语言进行推理判断和决策，针对具有语言值信息的不确定问题，基于语言值直觉模糊代数和直觉模糊形式背景，提出了语言值直觉模糊形式背景并讨论了其相关性质，建立了语言值直觉模糊概念格.研究了语言值直觉模糊形式概念之间的贴近度，进一步给出语言值直觉模糊形式概念格之间的贴近度，进而提出了语言值直觉模糊概念格的模式识别方法，并将其应用到中医疾病诊断识别中，说明所提出方法的有效性和实用性.
关键词 语言值直觉模糊形式背景；语言值直觉模糊概念格；贴近度；模式识别方法；中医专家诊断系统
概念格于1982年由德国数学家Wille提出 [1] ，也叫做形式概念分析(formal concept analysis, FCA).它是一种表达概念和概念层次关系的数学理论，是进行数据分析和知识处理的数学工具.概念格理论中有2个基本元素，分别是形式背景和形式概念，其中形式背景是概念格的数据表现方式，由对象集、属性集以及两者上的一个关系构成.基于形式背景，通过一对派生算子可以构造形式概念 [2] ，即构造概念的外延和内涵.目前概念格已广泛应用于众多领域 [3-8] .Yao等人 [9-10] 研究了粗糙集理论框架下的概念格理论.张文修、王国胤等人 [11-13] 进一步研究了粗糙集与信息系统的属性约简和规则提取问题.李金海等人 [14-15] 从概念外延的角度研究了合理刻画属性重要性的指标，给出了概念格属性约简的判定定理，并以这些指标作为启发式信息设计了一种概念格启发式属性约简算法.
在确定的形式背景中，形式概念及其概念格都是精确的，但是现实应用中，大多数对象与属性的关系都是模糊的，研究学者使用隶属度来表示对象与属性的模糊关系，提出了模糊形式概念分析，模糊概念格 [16] 已成为新的研究领域.Burusco等人 [17] 首先提出了使用三角模对传统的伽罗瓦联系进行模糊扩展的方法.Bělohl vek等人 [18-20] 基于剩余格理论在模糊形式背景下提出了模糊概念的定义，并证明所提出的概念几乎满足所有经典形式背景下概念的性质.Krupka等人 [21] 把形式概念分析引入到模糊集上，将形式背景中的值由最初的0或1的二元数据，扩充为可以是[0,1]区间的任意数值.Krupka通过把不完备的不确定信息转化为不完备的模糊形式背景，提出了在不完备模糊形式背景下的建格算法.
直觉模糊集从隶属和不隶属2个方面刻画人们认知过程中的模糊性，为处理模糊性问题提供了更丰富的信息.通过直觉模糊集刻画对象与属性的直觉模糊关系，进一步进行直觉模糊概念分析具有重要的理论意义和实际应用价值.朱宪杰等人 [22] 利用直觉模糊逻辑算子构造了直觉模糊概念格，通过直觉模糊集的水平截集定义了可辨识属性矩阵，给出了直觉模糊概念格的一种属性约简方法；马明华等人 [23] 研究了直觉模糊信息系统的约简问题，从正关系和负关系两方面考虑了对象与属性间的直觉模糊信息，并根据直觉模糊关系中的正负信息将属性值进行排序，得到了对象集和属性集之间的支配关系，构造了新的概念格模型，并提出了概念格的属性约简方法；李磊军等人 [24] 在三支决策视角下进行了直觉模糊形式背景和模糊形式背景中概念格之间的分析与比较，探究了它们之间的内在联系，分析了直觉模糊形式背景中的概念格具有数据存储所占空间更小、属性约简更简洁的优势.
实际中大量的问题常常无法用精确的数值表示，模糊语言值在这些问题的表示中具有简单、易于理解等优势，例如在中医疾病诊断过程中，主要通过望闻问切来进行诊断，而病人也是用“有点疼”、“很严重”等自然语言来进行症状的描述.模糊语言值信息处理是目前智能信息处理的热点研究方向，徐泽水等人 [25] 提出了虚拟语言术语的语法和语义，将该语言决策方法应用于语言信息融合等应用中；邹丽等人 [26-27] 建立了2 n 元语言真值直觉模糊代数，并基于语言真值格蕴涵代数建立了语言真值直觉模糊格，从正反两方面处理语言值模糊信息，且可同时处理语言值信息的可比性和不可比性，并分析其不可约元的蕴涵性质；裴峥等人 [28] 提出了加权不平衡的语言聚合算子，通过综合评价语言信息的价值、信念程度和专家权重，该算子可以处理不完整或不确定的语言信息，可用于解决不平衡的语言多属性群决策问题.徐扬等人 [29-32] 提出了语言真值格蕴涵代数及语言真值格值命题逻辑系统.在语言真值格蕴涵代数中，对语气算子的继承性进行修正，使得语言值之间序的关系更贴近自然语言的语义.语言值处理方面的研究对控制理论、模式识别、决策理论、机器学习等领域具有非常重要的意义 [29] .
在上述工作的基础上，本文将语言值直觉模糊对与直觉模糊形式背景结合，定义了语言值直觉模糊形式背景，构造语言值直觉模糊概念格，研究了语言值直觉模糊概念之间以及语言值直觉模糊概念格之间的贴近度，并提出了语言值直觉模糊概念格的模式识别方法，将其应用于中医疾病诊断识别中，说明此方法的有效性.
定义1 [29] . 语言真值直觉模糊格.基于2 n 元语言真值格蕴涵代数建立语言真值直觉模糊格 L V 2 n =( L V 2 n ,∪,∩).其中，(( h n ,t),( h n ,f))和(( h 1 ,t),( h 1 ,f))分别为 L V 2 n 的最大元和最小元；t表示为真，即肯定的评价；f表示为假，即否定的评价.如图1所示，对任意(( h i ,t),( h j ,f))，(( h k ,t),( h l ,f))∈ L V 2 n ，(( h i ,t),( h j ,f))≤(( h k ,t),( h l ,f))当且仅当 i ≤ k , j ≤ l ，且
1) (( h i ,t),( h j ,f))′=(( h n - j +1 ,t),( h n - i +1 ,f));
2) (( h i ,t),( h j ,f))→(( h k ,t),( h l ,f))=(( h min( n , n - i + k , n - j + l ) ,t),( h min( n , n - i + l ) ,f));
3) (( h i ,t),( h j ,f))∪(( h k ,t),( h l ,f))=(( h max( i , k ) ,t),( h max( j , l ) ,f));
4) (( h i ,t),( h j ,f))∩(( h k ,t),( h l ,f))=(( h min( i , k ) ,t),( h min( j , l ) ,f)).
Fig. 1 Hasse diagram of linguistic truth-valued intuitionistic fuzzy lattice L V2n
图1 语言真值直觉模糊格L V2n 的哈斯图
定理1 [29] . 对任意( h i ,t)( h j ,f)∈ L V 2 n ，( i , j =1,2,…, n , i ≤ j )，(( h i ,t),( h j ,f))是一个语言真值直觉模糊对当且仅当 i ≤ j .
令语气词集 H ={ h i | i =1,2,…, n }，语气词 h i 则表示“略，一般，很，…”等描述程度的语气词，评价词集为{t,f}.
Fig. 2 Hasse diagram of 10-element linguistic truth- valued intuitionistic fuzzy lattice L V10
图2 十元语言真值直觉模糊格L V10 的哈斯图
本文以十元语言真值格蕴涵代数为前提，即语气词集 H ={ h i | i =1,2,3,4,5}，其中语气词 h 1 表示“略”， h 2 表示“有点”， h 3 表示“一般”， h 4 表示“很”， h 5 表示“绝对”，评价词集为{t,f}，则基于十元语言真值格蕴涵代数的语言真值直觉模糊格 L V 10 如图2所示:
为进行语言值直觉模糊概念格的研究，本文用语义相反的语言评价词集{ c 1 , c 2 }替换真值集{t,f}，例如{好，坏}，{优，劣}，{重，轻}等，进而通过语气词生成一般的语言值直觉模糊对，即用语言值直觉模糊对(( h i , c 1 ),( h j , c 2 ))代替语言真值对(( h i ,t),( h j ,f)).语言值直觉模糊对构成的语言值直觉模糊格仍记为 L V 2 n ，其中， 
和 
不可比记为 
定义2 [24] . 直觉模糊形式背景.为三元组 
其中 U ={ x 1 , x 2 ,…, x n }为对象集合， A ={ a 1 , a 2 ,…, a m }为属性集合， 
为 U × A 上的直觉模糊关系，其中
|( x , a )∈ U × A }, 
记 
,对∀ x ∈ U , y ∈ U , a ∈ A , b ∈ A ,有 
⟺ 
其中 
和 
分别表示对象 x 和属性 a 之间的隶属度和非隶属度.
定义3 [24] . 算子 X Δ 和 
∀ 
记
X Δ ={ 
| a ∈ A }, 
∀ b ∈ B },
规定∅ Δ ={ a ,1,0 },另外，如果 b ∉ B ，则 
如果 
且 
那么称 
为直觉模糊形式概念， X 和 
分别称为该概念的外延和内涵.所有直觉模糊概念构成的集合记作 L ( IFC )，概念之间的偏序关系为
⟺ X 1 ⊆ X 2 ⟺ 
本节给出语言值直觉模糊形式背景的定义及其形式概念分析.
定义4 . 语言值直觉模糊形式背景.为三元组( U , A , I 
)，其中 U ={ x 1 , x 2 ,…, x n }为对象集合， A ={ a 1 , a 2 ,…, a m }为属性集合， I 为 U × A 到 L V 2 n 上的语言值直觉模糊关系，即∀( x , a )∈ U × A ，
I ( x , a )=(( h i , c 1 ),( h j , c 2 ))∈ L V 2 n .
定义5 . 运算 
和 
设语言值直觉模糊形式背景( U , A , I )，其中 U ={ x 1 , x 2 ,…, x n }为对象集合， A ={ a 1 , a 2 ,…, a m }为属性集合.令 γ ∈ L V 2 n ，在对象集 X ⊆ U 和属性集 B ⊆ A 上定义运算：
∀ x ∈ X , I ( x , a )≥ γ
or I ( x , a )‖ γ }, 
∀ a ∈ B , I ( x , a )≥ γ
or I ( x , a )‖ γ }.
注.与经典形式概念分析中的运算比较，在 或 
中，分别引入了语言值直觉模糊格中的∧运算，同时，如果出现不可比的语言值直觉模糊对，则将其对应的属性或对象全部保留.
例1 . 表1给出一个语言值直觉模糊形式背景( U , A , I )，令语气词集 H ={ h i | i =1,2,3,4,5}，其中 h 1 为“略”， h 2 为“有点”， h 3 为“一般”， h 4 为“很”， h 5 为“绝对”，评价词集为{ c 1 , c 2 }={重，轻}.令 γ =(( h 4 , c 1 ),( h 4 , c 2 ))，根据定义5，对于对象集合{2,3}，可以得到 
其中，在属性 b 下， I (2, b )=(( h 3 , c 1 ),( h 4 , c 2 ))< γ ，因此 b 不在 
中.对于属性集合{ a , c }可以得到 
Table 1 Linguistic - Valued Intuitionistic Fuzzy Formal Context
表1 语言值直觉模糊形式背景
定义6 . 语言值直觉模糊形式概念.设语言值直觉模糊形式背景( U , A , I )及 γ ∈ L V 2 n ，若二元组( X , B )满足 
且 
称( X , B )为一个 γ 水平下的语言值直觉模糊形式概念， X 和 B 分别称为该概念的 γ 水平下的外延和内涵.所有由( U , A , I )生成的 γ 水平下的语言值直觉模糊概念构成的集合记作 LVIFL γ .
基于定义5,6和文献[16-21]中的方法，容易证明语言值直觉模糊概念的定理2成立.
定理2 . 设语言值直觉模糊形式背景( U , A , I )及 γ ∈ L V 2 n ，对于 X , X 1 , X 2 ⊆ U ， B , B 1 , B 2 ⊆ A 且( X 1 , B 1 )和( X 2 , B 2 )是 LVIFL γ 中的语言值直觉模糊概念，则如下性质成立：
1) X 1 ⊆ X 2 ⟹ 
⊇ 
⊆ B 2 ⟹ 
⊇ 
2) X ⊆ 
⊆ 
3) 
4) X ⊆ 
⟺ B ⊆ 
5) 
根据定理2，我们有推论1.
推论1 . 设语言值直觉模糊形式背景( U , A , I )及 γ ∈ L V 2 n ，对于任意 X ⊆ U 及 B ⊆ 
和 
是 γ 水平下的语言值直觉模糊概念.
定义7 . 语言值直觉模糊概念格的偏序关系及上下确界.设语言值直觉模糊形式背景( U , A , I )，对( X 1 , B 1 ),( X 2 , B 2 )∈ LVIFL γ ，定义其偏序关系为( X 1 , B 1 )≤( X 2 , B 2 )当且仅当 X 1 ⊆ X 2 ，其上确界与下确界分别为
基于定理2和定义7，可以得到定理3.
定理3 . 设语言值直觉模糊形式背景( U , A , I )及 γ ∈ L V 2 n ，则( LVIFL γ ,∨,∧)是一个完备格.
例2 . 在例1中，基于图2、定义7和表1，({1,2,3},{ a , c })和({3},{ a , b , c })是 γ =(( h 4 , c 1 ),( h 4 , c 2 ))水平下的语言值直觉模糊概念，({({1,2,3},{ a , c }),({3},{ a , b , c })},∨,∧)是一个完备格.
本节给出语言值直觉模糊概念及其语言值直觉模糊概念格之间的贴近度公式.直观地，语言值直觉模糊概念格刻画了语言值直觉模糊形式背景中概念的层次关系，若语言值直觉模糊概念理解为对象集和属性集之间的一种知识表达，则本节提出的贴近度用来刻画给定知识与已有知识之间的相似性并用于决策分析中.
1) 语言值直觉模糊概念之间的贴近度
令语言值直觉模糊形式背景( U , A , I )及 γ ∈ L V 2 n ，对 LVIFL γ 中的任意2个内涵和外延均不为空集的语言值直觉模糊概念( X 1 , B 1 )和( X 2 , B 2 )，即| X 1 |>0，| B 1 |>0，| X 2 |>0且| B 2 |>0，( X 1 , B 1 )与( X 2 , B 2 )之间的 γ 水平贴近度为
D (( X 1 , B 1 ),( X 2 , B 2 ))= 
(1)
其中， w 1 和 w 2 为权重，即 w 1 , w 2 ∈[0,1]且 w 1 + w 2 =1;|·|表示集合的势，即集合中的元素个数.
直观地， γ 水平下2个语言值直觉模糊概念之间的贴近度 D (( X 1 , B 1 ),( X 2 , B 2 ))通过其外延和内涵之间的相似性刻画，其中权重体现了外延和内涵在贴近度中的重要性， D (( X 1 , B 1 ),( X 2 , B 2 ))越大，表示( X 1 , B 1 )与( X 2 , B 2 )越相似.
性质1 . 对 LVIFL γ 中的任意2个语言值直觉模糊概念( X 1 , B 1 )和( X 2 , B 2 )，
① 0≤ D (( X 1 , B 1 ),( X 2 , B 2 ))≤1；
② D (( X 1 , B 1 ),( X 2 , B 2 ))= D (( X 2 , B 2 ),( X 1 , B 1 ))；
③ D (( X 1 , B 1 ),( X 1 , B 1 ))=1.
证明. ①由于0≤| X 1 ∩ X 2 |≤| X 1 |，0≤| X 1 ∩ X 2 |≤| X 2 |，因此 
且 
即0≤ D (( X 1 , B 1 ),( X 2 , B 2 ))≤ w 1 + w 2 =1.
② 由于 
且 
因此 D (( X 1 , B 1 ),( X 2 , B 2 ))= D (( X 2 , B 2 ),( X 1 , B 1 )).
③ 由于 
且 
因此 D (( X 1 , B 1 ),( X 1 , B 1 ))= w 1 ×1+ w 2 ×1=1.
证毕.
2) 语言值直觉模糊概念与语言值直觉模糊概念格之间的贴近度
令语言值直觉模糊形式背景 
和 
及 γ ∈ L V 2 n ，设 
和 
分别为 和 的语言值直觉模糊概念格，对任意语言值直觉模糊概念 
与 之间的 γ 水平贴近度为
(2)
直观地， 
与 之间的 γ 水平贴近度为语言值直觉模糊概念 与 
中语言值直觉模糊概念 γ 水平贴近度的最大值，即 中与 最相似的语言值直觉模糊概念和 的 γ 水平贴近度.
性质2 . 在 和 中，对任意 中语言值直觉模糊概念 
① 
② 
若 
则 
证明. 根据性质1，①和②显然成立.若 
则 
根据性质 
因此 
证毕.
3) 语言值直觉模糊概念格之间的贴近度
令语言值直觉模糊形式背景 和 及 γ ∈ L V 2 n ，语言值直觉模糊概念格 和 之间的 γ 水平贴近度为
(3)
直观地，语言值直觉模糊概念格 和 之间的 γ 水平贴近度 
是其语言值直觉模糊概念之间 γ 水平贴近度的最小值.
性质3 . 令语言值直觉模糊形式背景 和 及 γ ∈ L V 2 n ，
① 
② 
③ 
证明. 根据性质1和2，性质3显然成立.
证毕.
基于语言值直觉模糊概念及其语言值直觉模糊概念格之间的贴近度，多个语言值直觉模糊形式背景下的模式识别按以下步骤完成：
假设 k 个已知模式分别由语言值直觉模糊形式背景 
描述， 
为待识别的模式，其中各语言值直觉模糊关系均为 U × A 到 L V 2 n 上的关系.
Step1. 根据 k 个已知模式的语言值直觉模糊形式背景 
按定义5，分别构造各 γ 水平下的语言值直觉模糊概念及语言值直觉模糊概念格( LVIFL γ ,∨,∧).
Step2. 按定义5，构造 的各 γ 水平下的语言值直觉模糊概念及语言值直觉模糊概念格.
Step3. 在同一 γ 水平下，根据式(1)～(3)，分别计算 的 γ 水平下语言值直觉模糊概念格和 k 个已知模式的 γ 水平下语言值直觉模糊概念格的贴近度.
Step4. 将各 γ 水平下语言值直觉模糊概念格的贴近度求和，即∀ j ∈{1,2,…, k }，
D ( LVIFL 0 , LVIFL j )= 
(4)
根据择近原则，待识别模式 为模式 
的条件为
D ( LVIFL 0 , LVIFL j )=max{ D ( LVIFL 0 ,
LVIFL j ′ )| j ′=1,2,…, k }.
(5)
本文基于十元语言值直觉模糊格 L V 10 分析中医智能疾病诊断， L V 10 中语气词 h 1 为“略”， h 2 为“有点”， h 3 为“一般”， h 4 为“很”， h 5 为“绝对”，评价词集为{ c 1 , c 2 }={重，轻}， L V 10 的结构如图2所示.假设可能患得疾病与病人症状的语言值直觉模糊形式背景中对象集 U ={1,2,3,4,5}表示疾病症状，其中1为发烧，2为头疼，3为流鼻涕，4为咳嗽，5为有痰；属性集 A ={ a , b , c }表示对各种症状的具体描述，其中， a 为频率， b 为严重程度， c 为持续时间.可能的疾病包括普通感冒、病毒性咽炎和肺炎，可理解为已知模式，普通感冒的语言值直觉模糊形式背景 如表2所示，病毒性咽炎的语言值直觉模糊形式背景 如表3所示，肺炎的语言值直觉模糊形式背景 
如表4所示.病人症状的语言值直觉模糊形式背景 如表5所示，理解为待识别的模式.
Table 2 Linguistic - Valued Intuitionistic Fuzzy Formal Context of the Common Cold
表2 普通感冒的语言值直觉模糊形式背景
Table 3 Linguistic - Valued Intuitionistic Fuzzy Formal Context of the Viral Pharyngitis
表3 病毒性咽炎的语言值直觉模糊形式背景
Table 4 Linguistic - Valued Intuitionistic Fuzzy Formal Context of the Pneumonia
表4 肺炎的语言值直觉模糊形式背景
Table 5 Linguistic - Valued Intuitionistic Fuzzy Formal Context of the Symptoms of a Patient
表5 病人症状的语言值直觉模糊形式背景
根据表2～5的形式背景描述，语言值直觉模糊形式背景下的模式识别步骤为：
Step1. 普通感冒、病毒性咽炎与肺炎的各 γ 水平下语言值直觉模糊形式概念见表6～8.
Step2. 按定义7，病人症状的各 γ 水平下语言值直觉模糊形式概念见表9.
Table 6 γ Level Linguistic - Valued Intuitionistic Fuzzy Formal Concept Lattice of the Common Cold
表6 普通感冒的 γ 水平下的语言值直觉模糊概念格
Table 7 γ Level Linguistic - Valued Intuitionistic Fuzzy Formal Concept Lattice of the Viral Pharyngitis
表7 病毒性咽炎的 γ 水平下的语言值直觉模糊概念格
Table 8 γ Level Linguistic - Valued Intuitionistic Fuzzy Formal Concept Lattice of the Pneumonia
表8 肺炎的 γ 水平下的语言值直觉模糊概念格
Step3. 在同一 γ 水平下，根据式(1)～(3)，分别计算病人症状的 γ 水平下语言值直觉模糊概念格与普通感冒、病毒性咽炎和肺炎的 γ 水平下语言值直觉模糊概念格之间的贴近度，如表10所示.其中， 
及 
本例中取 w 1 = w 2 =0.5.
Table 9 γ Level Linguistic - Valued Intuitionistic Fuzzy Formal Concept lattice of the Symptoms of a Patient
表9 病人症状的 γ 水平下的语言值直觉模糊概念格
Table 10 Degree of Similarity Between 
and 
表 
与 
和 
的贴近度
Step4. 基于表10，利用式(4)，可得到 D ( LVIFL 0 , LVIFL 1 )， D ( LVIFL 0 , LVIFL 2 )和 D ( LVIFL 0 , LVIFL 3 )，见表11.基于表11和式(5)，可得到和病人症状贴近度最高的是肺炎，即根据病人症状，其为肺炎的可能性最大，其次是病毒性咽炎，是普通感冒的可能性最小.
Table 11 Degree of Similarity Between LVIFL 0 and LVIFL 1 , LVIFL 2 or LVIFL 3
表11 LVIFL 0 与 LVIFL 1 , LVIFL 2 和 LVIFL 3 的贴近度
本文方法与文献[33]的区别是:文献[33]使用模糊形式背景描述了一个诊断病例，通过构建模糊形式概念格，给出了智能诊断方法.由于未使用语言值刻画各种症状，导致文献[33]的属性集合较大，增加了生成模糊形式概念格的难度.本文运用语言值在中医疾病诊断领域进行智能诊断，属性集规模较小且能够更好地表达病人对病情的描述，减少数据损失，从而得到更智能的诊断结果.
语言值直觉模糊概念格相对于直觉模糊概念格，减少了将语言转换为数值计算的过程，从根本上减少了处理数据的误差，用非常贴近自然语言的语言值对各个对象的属性进行描述，不仅可以使问题描述更贴近人类语言，而且可以从正反两方面描述模糊信息.本文利用语言值直觉模糊集，定义了语言值直觉模糊形式背景，给出了基于语言值直觉模糊集的形式概念定义，并利用语言值直觉模糊格生成了语言值直觉模糊概念格，通过语言值直觉模糊概念及其语言值直觉模糊概念格之间的贴近度，给出了基于语言值直觉模糊概念格的模式识别方法，该方法计算病人症状语言值直觉模糊概念格与可能患得疾病语言值直觉模糊概念格之间的贴近度，从而诊断最有可能患得疾病类型.该方法更有效地处理由人类自然语言描述的决策分析问题，符合人类的思考方式，为中医疾病领域提供智能化诊断方法.
在语言值直觉模糊概念格的研究中，对于不可比的语言值直觉模糊对需进行更深的研究.中医智能诊断领域疾病的自动诊断识别还需要进一步研究，我们将更深层次地研究每一种疾病的症状权重计算，对中医诊断专家系统进行完善，使语言值直觉模糊概念格在中医疾病智能诊断方面更好地发展.
参考文献
[1]Wille R. Restructuring lattice theory: An approach based on hierarchies of concepts[G] 
Ordered Sets. Berlin: Springer, 1982: 445-470
[2]Ganter B, Wille R. Formal Concept Analysis: Mathematical Foundations[M] . Berlin: Springer, 1999
[3]Priss U. Formal concept analysis in information science[J]. Annual Review of Information Science & Technology, 2006, 40(1): 521-543
[4]Poelmans J, Ignatov D I, Kuznetsov S O, et al. Formal concept analysis in knowledge processing: A survey on applications[J]. Expert Systems with Applications, 2013, 40(16): 6538-6560
[5]Tilley T, Eklund P. Citation analysis using formal concept analysis: A case study in software engineering[C] Proc of Int Workshop on Database and Expert Systems Applications. Piscataway, NJ: IEEE, 2007: 545-550
[6]Poelmans J, Ignatov D I, Viaene S, et al. Text mining scientific papers: A survey on FCA-based information retrieval research[C] Proc of Industrial Conf on Advances in Data Mining: Applications and Theoretical Aspects. Berlin: Springer, 2012: 273-287
[7]Lakhal L, Stumme G. Efficient mining of association rules based on formal concept analysis[G] Formal Concept Analysis. Berlin: Springer, 2005: 180-195
[8]Liang Jiye, Wang Junhong. An algorithm for extracting rule-generating sets based on concept lattice[J]. Journal of Computer Research and Development, 2004, 41(8): 1339-1344 (in Chinese)
(梁吉业, 王俊红. 基于概念格的规则产生集挖掘算法[J]. 计算机研究与发展, 2004, 41(8): 1339-1344)
[9]Yao Yiyu. Concept lattices in rough set theory[C] Proc of IEEE Meeting of Fuzzy Information (Nafips’04). Piscataway, NJ: IEEE, 2004: 796-801
[10]Yao Yiyu, Chen Yaohua. Rough set approximations in formal concept analysis[G] Trans on Rough Sets V. Berlin: Springer, 2006: 226-235
[11]Zhang Wenxiu, Yao Yiyu, Liang Yi. Rough Set and Concept Lattice[M] . Xi’an: Xi’an Jiaotong University Press, 2006 (in Chinese)
(张文修, 姚一豫, 梁怡. 粗糙集与概念格[M] . 西安: 西安交通大学出版社, 2006)
[12]Zhang Wenxiu, Chou Guofang. Uncertain Decision Making Based on Rough Sets[M] . Beijing: Tsinghua University Press, 2005
(张文修, 仇国芳. 基于粗糙集的不确定决策[M] . 北京: 清华大学出版社, 2005)
[13]Wang Guoyin. Rough Set Theory and Knowledge Acquisition[M] . Xi’an: Xi’an Jiaotong University Press, 2001 (in Chinese)
(王国胤. Rough集理论与知识获取[M] . 西安: 西安交通大学出版社, 2001)
[14]Li Jinhai, Lü Yuejin, Liang Binmei. Attribute reduction algorithm based on information depth of concept lattice[J]. Computer Engineering and Applications, 2009, 45(10): 144-146 (in Chinese)
(李金海, 吕跃进, 梁斌梅. 基于概念格外延信息量的属性约简算法[J]. 计算机工程与应用, 2009, 45(10): 144-146)
[15]Lü Yuejin, Li Jinhai. Heuristic algorithm for attribute reduction of concept lattice[J]. Computer Engineering and Applications, 2009, 45(2): 154-157 (in Chinese)
(吕跃进, 李金海. 概念格属性约简的启发式算法[J]. 计算机工程与应用, 2009, 45(2): 154-157)
[16]Bělohl 
vek R. What is a fuzzy concept lattice? Ⅱ[C] Proc of Int Conf on Rough Sets, Fuzzy Sets, Data Mining and Granular Computing. Berlin: Springer, 2011: 19-26
[17]Burusco Juandeaburre A, Fuentes González R. The study of the L-fuzzy concept lattice[J]. Mathware & Soft Computing, 1994, 1(3): 209-218
[18]Bělohl vek R. Fuzzy galols connections[J]. Mathematical Logic Quarterly, 1999, 45(4): 497-504
[19]Bělohlávek R. Fuzzy closure operators[J]. Journal of Mathematical Analysis & Applications, 2001, 262(2): 473-489
[20]Bělohlávek R, De Baets B, Outrata J, et al. Computing the lattice of all fixpoints of a fuzzy closure operator[J]. IEEE Trans on Fuzzy Systems, 2010, 18(3): 546-557
[21]Krupka M, Lastovicka J. Fuzzy concept lattices with incomplete knowledge[C] Proc of the 14th Int Conf on Information Processing and Management of Uncertainty in Knowledge-Based Systems. Berlin: Springer, 2012: 171-180
[22]Zhu Xianjie, Cheng Tao, Yang Hongqiang. Intuitionistic fuzzy concept lattice attribute reduction[J]. Journal of Hebei Normal University: Natural Science, 2011, 35(2): 119-123 (in Chinese)
(朱宪杰, 程涛, 杨红强. 直觉模糊概念格的属性约简[J]. 河北师范大学学报: 自然科学版, 2011, 35(2): 119-123)
[23]Ma Minghua, Deng Tingquan. Attribute reduction in the sense of intuitionistic fuzzy concept[J]. Journal of Harbin Engineering University, 2012, 33(11): 1447-1452 (in Chinese)
(马明华, 邓廷权. 直觉模糊概念意义下的属性约简[J]. 哈尔滨工程大学学报, 2012, 33(11): 1447-1452)
[24]Li Leijun, Li Meizheng, Xie Bin, et al. Analysis and comparison of concept lattices from the perspective of three-way decisions[J]. Pattern Recognition & Artificial Intelligence, 2016, 29(10): 951-960 (in Chinese)
(李磊军, 李美争, 解滨, 等. 三支决策视角下概念格的分析和比较[J]. 模式识别与人工智能, 2016, 29(10): 951-960)
[25]Xu Zeshui, Wang Hai. On the syntax and semantics of virtual linguistic terms for information fusion in decision making[J]. Information Fusion, 2016, 34: 43-48
[26]Zhang Yunxia, Cui Xiaosong, Zou Li. A clustering method based on 18-element linguistic-valued fuzzy similar matrix[J]. Journal of Shandong University, 2013, 43(1): 1-7 (in Chinese)
(张云霞, 崔晓松, 邹丽．一种基于十八元语言值模糊相似矩阵的聚类方法[J]. 山东大学学报, 2013, 43(1): 1-7)
[27]Zou Li, Shi Peng, Pei Zheng, et al. On an algebra of linguistic truth-valued intuitionistic lattice-valued logic[J]. Journal of Intelligent & Fuzzy Systems, 2013, 24(3): 447-456
[28]Meng Dan, Pei Zheng. On weighted unbalanced linguistic aggregation operators in group decision making[J]. Information Sciences, 2013, 223(2): 31-41
[29]Zou Li, Zhang Yunxia, Gao Wei. Linguistic-valued intuitionistic fuzzy 2-tuple representation model[J]. Pattern Recognition & Artificial Intelligence, 2014, 27(5): 394-402 (in Chinese)
(邹丽, 张云霞, 高伟. 语言值直觉模糊二元组表示模型[J]. 模式识别与人工智能, 2014, 27(5): 394-402)
[30]Xu Yang, Li Xiaobing, Liu Jun, et al. Determination of alpha-resolution for lattice-valued first-order logic based on lattice implication algebra[J]. International Journal of Computational Intelligence Systems, 2007, 17(2): 178-181
[31]Xu Yang, Chen Shuwei, Ma Jun. Linguistic truth-valued lattice implication algebra and its properties[C] Proc of Multiconference on Computational Engineering in Systems Applications (IMACS 2006). Piscataway, NJ: IEEE, 2006: 1413-1418
[32]He Xingxing, Xu Yang, Liu Jun, et al. On compatibilities of α -lock resolution method in linguistic truth-valued lattice-valued logic[J]. Soft Computing, 2012, 16(4): 699-709
[33]Zou Caifeng, Deng Huifang. Using fuzzy concept lattice for intelligent disease diagnosis[J]. IEEE Access, 2017, 5: 236-242
Zou Li , born in 1971. PhD, professor, master supervisor. Her main research interests include multi-valued logic, uncertain reasoning and intelligent information processing, etc.
Feng Kaihua , born in 1993. Master candidate. Her main research interests include multi-valued logic, uncertain reasoning and intelligent information processing, etc.
Liu Xin , born in 1967. Associate professor. His current research interests include intelligent information processing, decision making.
Zou Li 1 , Feng Kaihua 1 , and Liu Xin 2
1 ( School of Computer and Information Technology , Liaoning Normal University , Dalian , Liaoning 116081) 2 ( School of Mathematics , Liaoning Normal University , Dalian , Liaoning 116029)
Abstract Natural language is always used to reason or make decision. For the uncertain problems represented by linguistic values, inspired by the linguistic value intuitionistic fuzzy algebra and the intuitionistic fuzzy formal context, the linguistic-valued intuitionistic fuzzy formal context is proposed and its related properties are analyzed. Accordingly, the linguistic-valued intuitionistic fuzzy concept lattice is constructed. Based on the degree of similarity between two linguistic-valued intuitionistic fuzzy concepts, the degree of similarity between two linguistic-valued intuitionistic fuzzy concept lattices is presented, and the pattern recognition method based on linguistic-valued intuitionistic fuzzy concept lattice is proposed. The effectiveness and practicability of this method are illustrated by an example of diagnosis and recognition of Chinese medicine diseases.
Key words linguistic-valued intuitionistic fuzzy formal context; linguistic-valued intuitionistic fuzzy concept lattice; degree of similarity; pattern recognition method; Chinese medicine expert diagnosis system
中图法分类号 TP181
通信作者 ： 刘新(liuxin67812@163.com)
基金项目 ： 国家自然科学基金项目(61772250，61673320，61672127)；中央高校基本科研业务费专项资金(2682017ZT12)；辽宁省自然科学基金项目(2015020059)
This work was supported by the National Natural Science Foundation of China (61772250, 61673320, 61672127), the Fundamental Research Funds for the Central Universities (2682017ZT12), and the Natural Science Foundation of Liaoning Province (2015020059).
收稿日期 ： 2018-04-02；
修回日期： 2018-05-31
DOI: 10.7544/issn1000-1239.2018.20180240