基于粗集理论知识表达系统一种归纳学习方法.pdfVIP

　控　制　与　决　策 1999 年 5 月 V o l. 14 N o. 3 CON TR OL 　A N D 　D E C IS ION 　 　M ay 1999 基于粗集理论知识表达系统的一种归纳学习方法 吴福保　李　奇　宋文忠 ( 东南大学自动化研究所 ·南京, 2 10096) 摘　要　基于粗集(R S) 理论, 针对知识表达系统提出一种新的归纳学习方法。对该方法中条件 属性的简化, 核值表的求取, 决策规则的约简进行了详细讨论, 并给出相应的求解算法。本方法 为机器学习以及从数据库中进行机器发现提供了新的思路。 关键词　R S 理论, 知识表达系统, 决策表, 归纳学习, 决策规则 分类号　T P 18 1　引　　言 　　机器学习近年来受到广泛关注, 而归纳学习又是这一领域中最古老而又最好理解的问题。 许多专家系统需人工对领域专家知识进行归纳编码建立, 因而需要计算机人员和领域专家的 紧密合作, 这一过程不仅费时, 且效率低下, 并且不同的应用领域需要进行相同的枯燥乏味的 工作。因此, 迫切需要建立一种归纳学习方法, 能够从一个精心选取的专家决策样本集中自动 归纳和提炼决策规则, 而跟所感兴趣的领域无关。 80 年代初, 波兰数学家 P aw lak 教授等[ 1, 2 ] 提出用粗集理论(R ou gh Set T h eo ry) 研究不完 整、不精确知识的表达、学习、归纳等方法, 它的特点是: 无需提供除问题所需处理的数据之外 的任何先验信息。文献[ 3 ] 中基于判别指数 B (y ) 提出一种针对某一特定概念的归纳学习方 [4 ] 法, 但没有考虑针对所有决策类进行条件属性的约简。 信息理论 中用熵的概念进行 Q u in lan 重要属性子集的选取, 但考虑的是整个决策类, 没有考虑各个决策类中不同属性的重要性。 本文基于R S 理论, 提出了知识表达系统的一种新的归纳学习方法, 它不仅考虑针对所有 决策类提取条件属性的重要子集, 而且利用核和简化的概念对各决策类决策规则进行冗余属 性值约简, 从而得到整个知识表达系统的最小决策算法。 2　理论准备 　　 粗集理论的要点是将分类与知识联系在一起, 认为知识源于人类以及其他物种的分类能 力, 并用等价关系形式化表示分类。因此, 可以这样理解: 知识是使用等价关系R 对离散空间U ( ) 的划分, 记为U R = {X 1 ,X 2 , …,X n }, 称X i 为U R 的等价类, ca rd U R 表示分类U R 的等 价类个数。 若P R , P ≠ , 则 ∩P 也是一等价关系, 称为P 上的不可分辨关系, 记为 in d (P ) 。 [x ] ( ) = ∩[x ] ind P r r ∈P 其中, [x ] : x ∈U 且x 属于 r 中的一个范畴; [x ] ( ) : x 属于不可分辨关系 in d (P ) 中的一个范 r in d p 畴。de s ( [x ]r ) 表示U 上对象x 在等价关系 r 下等价类的描述。 　东南大学科学基金资助课题