粗糙决策树生成方法及其应用.pdfVIP

第28卷增刊 信息与控制 V01．28，Supplement 1999年8月 hformationandColltroI Aug．t1999 粗糙决策树生成方法及应用 张伟 张素贞 (华东理工大学自动化所上海2Q0937) 囊要根据实时专家系统需要随时提供决策支持的特点。本文利用粗糙集合理论(Rough Set thory)在处理数据模糊性和不确定性方面的优势，结台决策树对知识表示有层扶、自然。推理 易理解的特点。生成粗糙决策树．用树形搜索方式实现实时专家系统。满足摹统要求+ 关■调粗糙集，决策村-知识获取，实时专家系统 1概述 决策树算法是用于符号知识获取的一种应用普遍的方法．其得出的知识以符号树形式表 示，并且推理机制容易理解．著名的ID3知识获取软件r“钉就是采用决策树方法在符号域中做 预测和决策．但该系统的一个潜在问题是为提高通俗性对学习做了几乎完美的假设t无噪声， 一致的训练集体，充分的语法．作出该假设的一个重要原因是其所有属性只有非常步的属性值 或将应用域预先定义到较少的集合中． 为克服上述决策树的问题，已有研究人员提出用模糊集技术来构成模糊决策树Ⅱ1．模糊决 策树采用模糊集做为属性域．但是在模糊应用中的一个主要困难是要通过操作者的经验或工 程师的知识才能定义隶属函数建立模糊规则，同时隶属函数的参数调试一般采用试错法，非常 浪费时间．这样在缺乏语法或知识信息的情况下，将很难从输入一输出数据中得出模糊规则． 虽然，提出了一些改进的模糊模型来克服这些问题，如模糊聚集CFuzzy Clustering)方法，Tak- agi--Sugeno模型方法以及采用神经网络和遗传算法等技术，但由于模糊集所处理的不确定 性是指在前提一定的情况下结论在一定范围内不确定，所以当学习的数据出现对一定的前提 对应有两种或几种截然不同的结论的情况时，模糊集就无法处理[I．“． Set，RS)具备用数值表示条件和决策属 z．Pawlak于80年代提出的粗糙集理论(Rouhg 性之间的一致性的能力o】．当数据被表示为条件一决策属性时，粗糙集理论的一些技术适合予 量化给定信息的一致性．同时由于粗糙集理论是基于集合的上、下近似的方法，则该理论的一 个主要优点是不需耍关于学习数据的任何先验知识和附加信息．这就排除了人的因素对学习 的影响．根据其的计特性，可以处理模糊集理论所不能处理的模糊性和不确定性． 本文利用粗糙集理论的这一特点，提出一种构造粗糙决策树的算法对实际过程的数据加 以学习．将决策树的表示自然、推理清晰特性与粗糙集的无需任何先验知识特点有机地结合． 2粗糙集“1 Pawlak提出的粗糙集理论是处理数据不确定性的一种数学方法．该方法已用于粗糙模糊 控制，建模，系统辩识和从试验数据中获取决策规则． RoughSet理论是建立在分类机制上的一种方法，只是它将分类理解为等价关系．在该理 论中知识定义为： 信息与控制 28卷 定义2．1 给定一组数据空间u与等价关系集合R，在等价关系集合R下对数据空间u 的划分，称为知识．记为U／R． 在RoughSet理论中，将A=(U，R)称为一个近似空间．如果z，y6U且h，jr)∈R，我们 认为z，j，在A中是不能区分的。等价关系R的等价类被张为A的基础集．A中所有基础集的 集合就是人工智能意义下的知识．RoughSet假定空集合也是所有A集合的基础集． Set理论的处理数据不确定性的特性是建立在上、下近似概念基础上的．下面首先 Rough 定义这两个概念． 设x为空间【，的一个确定的子集合．R是一个定义在【，上的等价关系，^=(u，R)为一 个近似空间，则上、下近似的定义为： 定义2．2上近似^中包括于x中的最少约简集合称为在A中x的最佳上近似．记为 —Ap—rA(X)．逻辑表示为；