论文部分内容阅读
在信息不断膨胀的今天,人们需要从大量数据中获取有效的知识,这使得智能信息处理成为了众多学者所面临的课题。在处理现实问题时,很难得到完全确定的数据,因此对不确定性条件下的知识获取方法的研究,是机器学习研究中的一项重要课题。
粒计算(GranularComputing,简称GrC)是一种新的智能信息处理理论。现已成为国际上人工智能研究的主要方法之一。对于粒计算的研究,很大程度上是因为它模拟了人脑认识和解决问题的过程。采用粒计算思想的很多理论已经被广泛地应用于机器学习、数据挖掘等领域,并被证明是有效的求解问题的方法。粗糙集理论,作为粒计算理论的子集,是一种处理模糊和不确定知识的软计算工具。它能有效地分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。近年来在机器学习、数据挖掘等多个领域得到广泛应用。
本文通过研究决策表中样本和其产生的决策规则的不确定性,提出了一种不确定性条件下基于粒计算的自主式知识学习模型(SLMGrC)。该方法运用粒计算思想,在决策表样本空间的不同层次对其进行分解,再从分解得到的样本粒子中获取规则,对于不确定性数据,我们借助王国胤教授等人提出的不确定性度量方法,采用决策表局部最小确定性作为控制规则生成的阈值。通过仿真实验,证明验证了SLMGrC算法的有效性。