论文部分内容阅读
在当今数字化革命的信息时代,从数据中发现知识变得越来越重要。知识表示和推理一直被认为是知识工程的核心问题。基于模糊规则的系统作为一种重要的知识发现技术可以有效地解决知识表示和推理问题,其通过模糊规则表示知识并采用模糊逻辑推理运用知识。基于模糊规则的系统可以有效地完成各种各样的知识发现与运用任务,包括回归、聚类、分类、预测等。并且基于模糊规则的系统具有很多优势,其中包括较高的精度和具有易于理解的语义解释。本文研究了基于模糊规则的系统,包括模糊决策树、基于模糊规则的聚类和数据粒化。主要内容包括：1.提出了一种新的基于模糊规则的决策树——模糊规则决策树(FRDT)。应用模糊一致性设计了关联规则提取算法(AREA),通过关联规则提取算法AREA构建了模糊规则决策树。传统的决策树在每个节点处仅考虑一个特征,所提出的模糊规则决策树在每个节点上考虑一个由若干个特征组成的模糊规则,进而构造了高纯度的叶子节点并减小了树的规模。模糊规则决策树克服了以超平面作为决策函数的斜决策树没有语义解释的问题。应用UCI机器学习标准数据库的数据进行了实验研究,分析了模糊规则决策树的性能。与传统决策树(C4.5, LADtree, BFTree, SimpleCart, NBTree)进行了对比,所进行的统计假设检验说明了模糊规则决策树在准确率和树的规模上均优于传统决策树。2.在公理模糊集理论框架下,提出了一种新的聚类方法——AFS模糊聚类。首先,对于每个不同的样本选取模糊语义集合。其次,运用公理模糊集理论,根据所选取的模糊语义构造复杂概念作为每个样本的模糊描述。最后,将相同的或者相似的样本描述放入同一类中,形成该类的模糊描述,并且根据类描述实现对样本数据的聚类。通过UCI机器学习标准数据库的数据检验了AFS模糊聚类算法的可解释性,并且在聚类精度上可以同其他基于规则的聚类算法以及经典聚类算法FCM和K-means相比较。3.提出了一种快速数据粒化方法(FRCGC),对每个得到的信息粒给出了语义解释。首先,应用提出的无监督特征选择方法选择属性。接下来,构建模糊规则对样本进行描述,并且根据样本描述的重要程度,将典范描述挑选出来。最后,通过典范描述实现数据的粒化。可以根据实际问题,调整样本描述的定义,使得易于对该粒化方法进行改进,以处理复杂问题。通过UCI机器学习标准数据库的数据验证了所提出的数据粒化方法的可解释性和有效性。