一种基于精简模糊规则库分类算法.docVIP

一种基于精简的模糊规则库的分类算法 　　摘 要：结合模糊聚类和粗糙集提出了一种基于精简的模糊规则库分类算法。对于数值型样本数据,首先采用模糊聚类生成模糊规则库,然后运用粗糙集理论对样本属性进行约简,删除冗余规则,即可得到精简的模糊规则库,以方便进行分类决策。通过对IRIS的仿真测试表明,本算法所产生的模糊规则不仅简单易懂,而且分类效果很好。 　　关键词：模糊规则； 模糊C均值聚类； 粗糙集?? 　　中图法分类号：TP301.6文献标识码：A 　　文章编号：1001―3695(2007)02―0024―03 　　模糊逻辑可运用在分类问题上，基于If-Then规则的模糊系统可以对样本进行分类[1，2]。与传统的分类方法相比，模糊分类可以处理分类中的模糊性，以及数据的不精确性和不完整性[3]。目前提出的模糊分类方法很多，包括Tz Ping基于α截集的分类方法[4]，V.Ravi基于MTA的分类方法[5]，G.G.Yen结合ILFN和GA的方法[6]，I.Requena的Constructive方法[7]等。这些方法存在规则的冲突性，或表达知识不够精细，或算法实现复杂。一般来说，基于If-Then规则的模糊系统有两个基本的要求：①易理解性，要求规则数尽可能少，规则前件结构简单，操作方便。②精确性高，要求系统具有较高的精度，分类效果好[7]。正是出于这两方面的考虑，本文结合模糊聚类和粗糙集理论提出了一种新的基于模糊规则的分类方法。首先，对样本数据，运用模糊C均值（Fuzzy C-Mean,FCM）聚类算法分类别对各维分量聚类，得到聚类中心值矩阵，然后确定模糊语言值及其模糊子集，并产生初始的模糊规则库，最后运用粗糙集理论对模糊规则库进行简化，得到精简的规则库。 　　 　　1 模糊C均值聚类生成模糊规则库 　　 　　1.3 生成模糊规则库?? 　　通过第1.2节聚类得到的规则前件部分是用数值型数据表示的，对于决策来说很难理解，需要将其转换为模糊隶属度函数及语言标志值来表示，如第一条规则应为 　　其中Ai,1,1（i=1,…,n）为语言标志值对应的模糊集合，具有明确的隶属度函数。初始模糊规则库的生成由如下算法实现，包括四个步骤：?? 　　(1)确定模糊隶属度函数的类型和语言标志值的数量H。隶属度函数可以采用任何类型,本文采用高斯型。语言标志值的数量也就是划分的模糊子集个数,可以将所有样本属性值统一为一个论域进行模糊划分,也可以将每个属性值分别进行独立的模糊划分,本文采用的是将所有样本属性值统一为一个论域进行模糊划分, 语言标志值的数量越多,模糊划分越精细。?? 　　（2）计算每个模糊子集的参数。由于采用的是高斯型隶属度函数,因此只需计算每个模糊子集的中心和标准差。 　　 　　2 粗糙集理论简化模糊规则库?? 　　 　　粗糙集（Rough Set）理论是由波兰数学家Z.Pawlak提出的一种处理不完整性、不确定性问题的数学工具[8,9]。它从新的角度定义知识，把知识看作是关于等价类的划分，从而将知识和分类紧密联系起来。粗糙集理论的主要特点是它仅利用数据本身提供的信息，而无须其他先验知识。目前它已被成功地应用于模式识别、机器学习、决策支持和数据挖掘等领域[10]。?? 　　决策表是一种特殊而重要的知识表达系统，多数决策问题均可以用决策表形式来表达。决策表也是一种分类，其中的决策属性相当于分类中的类属性。但是由于应用领域不同，因此两者的侧重点也有所区别。分类问题主要关注于对样本的完整覆盖，以及在保持分类能力不变的前提下尽量得到一个优化的规则集；而决策问题关注的是怎样以尽量少的规则和属性来得到一个完整的决策规则集。因此，对决策表的处理主要是对其进行简化和最小化，简化既包括对属性集的简化，也包括对属性值的简化和冗余规则的删除，最小化在本文中被定义为决策集中的规则数目最少。 　　可辨识矩阵将知识表中所有有关属性区分的信息均浓缩在一个矩阵中。根据可辨识矩阵可应用辨识函数实现属性约简。辨识函数定义为Δ=∏(i, j)∈U×U∑CD(i, j)，其中∑代表“∨”，∏代表“∧”。通过辨识函数可以方便地得到属性集的简化和核。?? 　　根据可辨识矩阵的定义可知，当两个样本的决策属性取值相同时，它们所对应的可辨识矩阵元素的取值为0；当两个样本的决策属性不同且可以通过某些条件属性的取值不同加以区分时，它们所对应的可辨识矩阵元素的取值为这两个样本属性值不同的条件属性集合，即可以区分这两个样本的条件属性集合；当两个样本发生冲突时，即所有的条件属性取值相同而决策属性的取值不同时，则它们所对应的可辨识矩阵中的元素取值为空集。显然，可辨识矩阵元素中是否包含空集元素，可以作为判定决策表系统中是否包含不相容（冲突）规则的依 　　 　　3