增量式获取规则的粗糙集方法Ξ.PDFVIP

第 36 卷　第 2 期 ( ) 南 开 大 学 学 报 自然科学版 　V o l. 36　№2　 2003 年 6 月 A cta S cientiarum N atu ralium U niversitatisN ankaiensis 　Jun. 2003　 文章编号:(2003) 增量式获取规则的粗糙集方法 1 2 3 安利平 　吴育华 　仝凌云 ( 1 南开大学国际商学院, 天津 300071; 2 天津大学管理学院, 天津 300072; 3 河北工业大学管理学院, 天津 300130) 　　摘要: 规则获取的增量式算法是知识发现领域的一个热点问题. 作者根据粗糙集理论, 提出 不可分辨关 系的概念, 建立了 决策表及其 决策矩阵, 在此基础上, 利用决策函数, 提出一种在决策表中获取规则的增量 式算法. 该算法针对决策表中出现的各种新对象, 在原有规则集的基础上进行规则和规则参数的增量式更新, 避 免了为更新规则而重新运行规则获取算法. 关键词: 粗糙集; 决策规则; 增量式学习 中图分类号: T P 311　　　　　　　　　文献标识码: A 0　引　　言 ( ) 由波兰数学家P aw lak Z 在 1982 年提出的粗糙集理论在知识发现 KDD 中的应用取得了较大进展, 它可以从给定问题的一组实例出发, 依据不同的观察点把实例集划分成等价类来确定给定问题的近似域, [ 1 ] 从而发现问题的本质特征和规律 . 该理论提供了数据预处理、数据约简、发现依赖关系、规则生成等多种 方法. 粗糙集方法不仅可以独立解决 KDD 的有关任务, 而且许多方法可以嵌入到其他 KDD 方法中, 或支 持 KDD 的某些步骤, 以产生更好的结果. 数据的动态变化是多数数据库的一个主要特点, 特别是数据记录不断地增、删和修改, 造成数据库中 产生的新对象与已有的规则发生矛盾和冲突. 另外, 数据库的规模不断增大, 大型数据库每次修改后需要 重新运行知识发现中的数据挖掘算法获取知识显然不是好办法. 然而, 许多方法从数据库的所有数据中导 出规则, 当新对象加入时, 不能增量式地更新规则, 从而不得不重新运行规则导出算法. 因此, 研究大型数 据库的增量式学习系统是很重要的. 现有的增量式系统主要导出确定性的规则, 而且经常出现过度匹配的 现象. 增量式获取知识的主要目标是在动态环境中保持知识库. 一般地, 对粗糙集方法来说, 就是指当新对 象 加入决策表S 时, 以增量式的方式接受新对象, 更改现存的规则或约简, 而不是对整个决策表重新计算 得出. 文献[2 ] 提出的增量式算法要求新对象与原决策表相一致, 不出现新决策类, 并且不能同时对规则 的参数进行更新. 作者根据粗糙集理论提出了一种增量式获取规则的算法, 实现了规则及其参数随决策表的变化而更 新. 1　基本概念 本节首先介绍了粗糙集理论的有关概念, 然后定义了 不可分辨关系的概念以建立 决策矩 收稿日期: ( ) 作者简介: 安利平 1971- , 男, 河北省张家口人, 博士, 讲师, 主要从事数据