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。本书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。本书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。 本书可作为高等院校的应用数学、数据科学、智能科学与技术、人工智能、计算机科学与技术、电子信息等领域的高年级本科生和研究生的教学用书，也可供相关领域的教师、研究人员、工程技术人员参考使用。

第1章 绪论
1.1 认知科学简述
1.2 概念认知学习的基本思想
1.3 本书结构
第2章 预备知识
2.1 模糊集合的基本概念
2.1.1 模糊性和模糊集合
2.1.2 模糊集合的运算
2.1.3 模糊集合的水平截集
2.2 粗糙集的基本概念
2.3 形式概念分析基本理论
2.4 三支概念分析基本理论
第3章 基于逆序Galois联络的认知逻辑
3.1 语法理论
3.2 LGE的一种等价形式LGC
3.2.1 LGC的语法理论
3.2.2 LGC的语义理论
3.2.3 LGC的可靠性与完备性定理
3.3 LGC与EMT4之间的内在联系
3.4 LGC与LGE之间的内在联系
3.5 一种基于认知系统的逻辑LES
3.6 本章小结
第4章 基于Galois联络的直觉认知逻辑
4.1 IntGC逻辑
4.2 代数语义及其完备性
4.3 IntGC的Kripke语义及其完备性
4.4 IntGC的有限模型性质及其可判定性
4.5 本章小结
第5章 概念认知的双向学习机制
5.1 模糊数据的概念格
5.2 双向学习系统和信息粒
5.3 模糊数据的双向学习机制
5.4 双向学习算法与实验分析
5.4.1 模糊数据的双向学习算法
5.4.2 时间复杂度分析
5.4.3 案例分析和实验评估
5.5 本章小结
第6章 增量概念认知学习
6.1 概念认知算子的公理化
6.2 粒概念及其性质
6.3 概念认知系统的增量设计
6.4 基于上下逼近思想的概念认知过程
6.4.1 基于对象集的概念学习
6.4.2 基于属性集的概念学习
6.4.3 基于对象-属性集序对的概念学习
6.5 本章小结
第7章 多注意力概念认知学习
7.1 概念注意力空间
7.2 基于图注意力的概念聚类
7.3 多注意力概念预测
7.4 多注意力概念学习整体框架
7.5 数值实验与分析
7.5.1 与S2CLα和其他经典分类算法对比测试模型的性能
7.5.2 模型参数的影响
7.5.3 MNIST数据集上的概念生成
7.6 本章小结
第8章 基于渐进模糊三支概念的增量学习
8.1 渐进模糊三支概念的学习过程
8.2 渐进模糊三支概念的增量学习机制
8.3 数值实验与分析
8.3.1 ILMPFTC机制的分类性能验证
8.3.2 动态数据环境下增量学习机制的收敛性评估
8.3.3 动态机制的有效性
8.4 本章小结
第9章 复杂网络下的概念认知学习
9.1 基本概念
9.2 网络形式背景
9.3 网络概念的指标集
9.4 网络形式概念
9.4.1 网络概念的基本理论
9.4.2 网络概念的性质
9.5 本章小结
第10章 概念的渐进式认知
10.1 渐进式认知概念
10.2 概念的渐进式认知方法
10.2.1 线索为对象集的概念渐进式认知
10.2.2 线索为属性集的概念渐进式认知
10.2.3 线索包含对象集与属性集的概念渐进式认知
10.3 数值实验与分析
10.3.1 实验环境
10.3.2 实验结果
10.3.3 对比分析
10.4 概念认知方法的对比分析
10.5 本章小结
第11章 MapReduce框架下的概念认知学习
11.1 粒概念的并行算法
11.1.1 概念的认知机理
11.1.2 构建粒概念的并行算法
11.2 认知计算系统及其并行算法
11.2.1 认知计算系统
11.2.2 认知计算系统的并行算法
11.3 认知学习过程及其并行算法
11.3.1 认知学习过程
11.3.2 认知学习过程的并行算法
11.4 数值实验与分析
11.4.1 实验环境
11.4.2 粒概念求解算法对比
11.4.3 数据集规模对并行算法耗时的影响
11.5 本章小结
参考文献