基于粗糙集的啟發(fā)式屬性約簡與規(guī)則提取研究.pdf

1、粗糙集理論是一種新的刻畫不完整性和不確定性的數(shù)學(xué)工具。知識約簡是粗糙集理論研究的核心問題之一。目前，粗糙集理論正在被廣泛應(yīng)用于人工智能、模式識別等很多領(lǐng)域。本文對屬性約簡與決策樹規(guī)則簡化進(jìn)行了深入研究： 針對不一致決策表，為克服區(qū)分矩陣方法時間復(fù)雜度隨系統(tǒng)大小增加而指數(shù)增長的缺陷，以知識的包含度為基礎(chǔ)，將一致與不一致對象分開，給出分布約簡的數(shù)學(xué)判定定理，設(shè)計了一種求分布約簡的啟發(fā)式算法。實踐表明該方法能夠獲取較小的約簡。

2、 為彌補現(xiàn)有信息論方法的局限性，定義了一種新的條件熵概念，并且給出了以不等式為條件的約簡判定定理，提出了一種相對屬性約簡的啟發(fā)式算法。實例分析的結(jié)果表明，該方法提高了運行效率，有助于搜索最小或次優(yōu)知識約簡?；谏厦娴乃枷胗痔岢隽嘶跊Q策熵的約簡算法，實驗結(jié)果表明該算法也能取得較好的效果。 分析了基于正區(qū)域方法的不足，提出了決策強度的代數(shù)定義，并證明了知識的決策強度隨信息粒度變小而非單調(diào)遞減的規(guī)律，設(shè)計了基于決策強度的約簡算法。U

3、CI離散數(shù)據(jù)集實驗比較的結(jié)果表明，該算法計算直觀有效。 針對現(xiàn)有值約簡算法提取規(guī)則仍存在冗余與計算復(fù)雜度較大等問題，引入決策樹分類規(guī)則學(xué)習(xí)方法，定義了一種能反映決策能力實質(zhì)的新的條件熵，對傳統(tǒng)啟發(fā)式方法中選擇屬性的標(biāo)準(zhǔn)進(jìn)行改進(jìn)，構(gòu)造決策樹，設(shè)計規(guī)則約簡過程。該方法的優(yōu)點在于構(gòu)造決策樹與提取規(guī)則之前不進(jìn)行屬性約簡，也能獲取簡潔有效的規(guī)則。為彌補知識粗糙熵的局限性，提出決策熵概念，以條件屬性子集的決策熵來度量其對決策分類的重要性，自