论文总字数：40047字

摘 要

从数据中抽象分类模型是知识发现中一项非常重要的研究内容。基于模糊If-then规则的分类模型是一种常用的分类方法，模糊分类规则被广泛地认为是分类知识较好的表示，具有可读性和解析性，因此模糊分类模型的设计与应用也一直受到重视。

本文提出了一种基于粗糙集的模糊分类模型，该模型利用粗糙集指导模糊分类模型的结构设计。首先采用模糊C均值聚类算法对连续属性进行处理，将连续属性离散化，并实现对输入空间的模糊划分；然后利用两步搜索策略计算离散化决策表的约简，删除冗余的条件属性；从约简后的决策表中提取决策规则，利用提取的决策规则建立模糊模型规则库；结合模糊推理就实现了模糊分类模型。这样建立的模糊分类模型的规则来自数据集本身所蕴含的信息，物理意义明确、形式简单，分类精度高。利用UCI标准数据集通过仿真实验对建立的模糊分类模型进行验证，实验结果表明该模型具有语义解释性好、结构简单、精度高和泛化能力好的优点。

关键词：模糊分类模型 粗糙集 属性约简 离散化

A fuzzy classification model based on rough set

Abstract

Abstracting classification model from data is a very important research of knowledge discovery. Classification based on fuzzy if-then rules is a common classification method, fuzzy classification rules are widely regarded as a better classification of knowledge that is readable and analytically. Thus, fuzzy classification model design and application has been taken seriously.

In this paper, a new fuzzy classification model based on rough set is proposed. The proposed model uses rough set to design the structure of fuzzy classification model. Firstly, we deal with the continuous attributes by the algorithm of FCM. The purpose is to transform the continuous attributes to the discretized ones and partition the input space. Secondly, we use a two-step searching tactics to deal with the discretized decision table to remove redundant condition attributes. Then, we extract effective rules from the reduced decision table to construct rule library of fuzzy model. Fuzzy classification model was achieved by fuzzy inference. In this way, the rule of fuzzy classification model contains the information of original data, and has clear physical meaning and simplified structure. Moreover, it’s no longer needed to use a study algorithm to optimize the parameters of fuzzy model. Experimental results shows that the proposed model has the advantages of semantic explanatory, simple structure, high precision and generalization ability.

Key Words: fuzzy classification model; rough set; attribute reduction; discretization

目录

摘要 I

Abstract II

第一章 绪论 1

1.1课题研究的背景和意义 1

1.2模糊分类模型研究概况 2

1.3本课题研究内容和结构 6

第二章 课题的相关理论基础 8

2.1粗糙集理论 8

2.1.1 粗糙集理论的概况 8

2.1.2 粗糙集理论的基础知识 9

2.1.3 决策表属性约简 11

2.1.4 决策规则 11

2.2连续属性离散化 12

2.2.1 离散化的概念 12

2.2.2 常用的离散化策略 13

2.3模糊分类模型 16

第三章 基于决策粗糙集的模糊分类模型 19

3.1 问题描述 19

3.2 模糊分类模型设计流程 20

3.3 模糊分类模型的建立 21

3.3.1 输入变量的选择 21

3.3.2 输入变量模糊子集的确立 23

3.3.3模糊分类规则的建立 24

3.3.4模糊推理 25

3.4仿真实验及结果分析 25

3.5 结论 31

第四章 总结 32

参考文献 33

致谢 35

附录 36

第一章 绪论

1.1课题研究的背景和意义

知识发现是确定数据中有效的、新颖的、潜在有用的、基本可理解的模式的特定过程，是将底层数据转化为高级知识的过程。知识发现的范围非常广泛，可以是经济、工业、农业、军事、社会、商业、科学的数据或卫星观测得到的数据。数据的形态有数字、符号、图形、图像、声音等。数据组织方式也各不相同，可以是有结构、半结构或非结构的。知识发现的结果可以表示成各种形式，包括规则、法则、科学规律、方程或概念网等。

知识发现过程可粗略理解为三部曲：数据准备、数据挖掘以及结果的解释评估，分类是数据挖掘中一项非常重要的任务。分类的目的是提出一个分类函数或分类模型（也常常称作分类器），该模型能把数据库中的数据项映射到给定类别中的某一个，可用于预测。预测的目的是从历史数据记录中自动推导出对给定数据的推广描述，从而能对未来数据进行预测。

要构造分类器，需要有一个训练样本教据集作为输入。训练集由一组教据库记录或元组构成，每个元组是一个由有关字段（又称属性或特征）值组成的特征向量。此外，训练样本还有一个类别标记。分类器的构造方法有贝叶斯方法、决策树方法、神经网络方法、粗糙集方法、模糊集方法等等。贝叶斯分析方法的特点是使用概率去表示所有形式的不确定性，学习或其他形式的推理都用概率规则来实现。贝叶斯学习的结果表示为随机变量的概率分布，它可以解释为我们对不同可能性信任程度。决策树分析法是进行风险型决策分析的重要方法之一。该方法将决策分析过程以图解方式表达整个决策的层次、阶段及其相应决策依据，具有层次清晰、计算方便等特点，因而在决策活动中被广泛运用。神经网络算法主要是BP神经网络。BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。

请支付后下载全文，论文总字数：40047字