基于云模型定性规则推理的分类方法_分类算法.docVIP

基于云模型定性规则推理的分类方法_分类算法 论文导读:：根据粗糙集原理和模糊集理论，提出了一种基于云模型定性规则推理的分类方法，它利用云的相关理论获得多条件单规则中包含隶属度的决策表，结合模糊模式识别技术进行样本分类。针对一些数据对象分别隶属于不同类别的情况，定性概念来代替模糊集中的定量数据并建立二元关系，能对连续型数据进行更为简单合理的软分类，从而使基于定性概念的算法模型符合人类思维方式。 论文关键词：云模型，规则推理，分类算法，定性概念 0 引言 在模糊理论[1]中，模糊聚类分析方法就是通过建立模糊相似矩阵或模糊等价矩阵，利用直接聚类法、最大树法、编网法等方法结合阈值对论域中的样本进行分类。然而模糊相似矩阵和模糊等价矩阵都是通过相似系数法、距离法和其它方法（如数量积法、夹角余弦法、海明距离、欧氏距离、切比雪夫距离等方法）建立在二元关系的基础之上，并且通过等价关系的传递性质进行动态聚类。因此，建立二元关系是进行分类或聚类的重要过程。 不同论域中定量数据可以通过模糊聚类方法中的一般步骤建立起二元关系，即两个样本之间的相似关系（或相关程度）。那么，定性概念[2,3]是符合人类思维方式的一种数据结果表达方法，建立定性概念之间的二元关系是否也能对相应论域中的样本进行分类呢？由于云是定量数据与定性概念之间相互转化的智能模型，它主要应于数据挖掘[4,5]、预测[6]和决策[7,8]等领域，实现算法过程的定性概念描述和推理分析。通常情况下，定量数据的推理过程是通过模糊控制理论来实现，起到定量数据的模糊化推理，可以达到较好的结果。同样，不确定性人工智能云理论的诞生，为定性推理奠定理论基础。本文主要根据模糊粗糙集理论，提出一种基于云理论定性推理的分类算法。与传统方法相比，该方法通过利用云模型的相关机制对隶属于不同概念的样本实现软分类，而且其分类的输出结果符合人的思维模式。 1 云模型 为了更为方便地说明分类算法过程分类算法，我们对李德毅院士提出的云模型的相关定义作一些简单的介绍，并给出一些相关定义。 定义1设是一个用精确数据值表示的定量论域，是上的定性概念，若定量值，且是定性概念的一次随机实现，对的隶属度（确定度）为是具有稳定倾向的随机数，则在论域上的分布称为云，每个称为一个云滴。 云[2,3,9]是用语言值表示的某个概念与其定量表示之间的不确定性转换模型，用以反映自然语言中概念的不确定性。概念的整体特性用云的数字特征来反映，数字特征用三个参数来描述，分别为期望，熵和超熵论文 除了上述重要定义外，本文还利用了一些其它相关的云理论及定义，如云变换分类算法，云的普适性说明，云概念提升等，限于篇幅，我们就不再逐一说明，具体知识请参考文[2]。 2分析过程及算法描述 2.1分析过程 在多条件单规则发生器中，规则前件的多个条件和规则后件的单个规则可以用形如表1的决策表所描述，其中任意。表1中表示仅描述了规则集中一条规则的数据分布信息，这条规则为If 、、、，Then 。 表1多条件单规则决策表 样本ID 条件属性 决策属性 1 2 n 决策表中所有样本满足同一规则推理，即If 、、、，Then ，按规则推理可知，应该把这些样本都归为同一类，即归为概念集合中。然而根据粗糙集相关原理可知，在属性决策表中，若所有样本的条件属性值和它对应决策属性值都各不相同，则说明这些样本之间存在一定的差异，应该对它实现进一步的分类，从而让更相似的数据样本归为同一类。事实上，如果所有样本的条件属性值激活每个条件概念属性的隶属度都为1，那么可以推出所有样本决策属性值对应于概念的隶属程度也为1，即对于表1中任意一个样本，若、、、，一定可以推出。根据逆向云发生器原理可知，若隶属度为1，则说明为概念云模型的期望值，因此，所有样本就成了同一个样本的复写。但在工程实践中，决策表是不可以是同一数据的复写，其条件属性与决策属性都不相同，因此，对于可以推出同