基于粗糙—模糊集成的分类知识发现

发布时间：2017-03-27 17:06

  本文关键词：基于粗糙—模糊集成的分类知识发现，由笔耕文化传播整理发布。

【摘要】：从数据中抽象分类模型是是知识发现的重要研究内容,而实际数据所蕴涵的不确定性、不一致性和随机性是分类知识发现面临的主要困难。粗糙集和模糊集都可以处理不确定性和不精确性问题,但是两者的侧重点不同。粗糙集研究的是不同类的集合对象之间的不可分辨性,而模糊集研究的是类与类边界的重叠性。模糊集的隶属函数大多是专家凭经验给出,而粗糙集不需要数据之外的任何先验信息。粗糙集和模糊集在处理不确定性问题上各有所长,将两者有机结合可以更好地处理实际问题。本文将连续数据作为研究对象,以分类知识发现为目的,对粗糙集和模糊集的集成方法展开了一系列研究。主要内容如下： 1.根据模糊分类模型在处理分类问题上的优势,结合决策粗糙集在处理不一致性和随机性数据中的优点,提出了一种新的模糊分类模型构造方法。先对决策粗糙集模型的性质进行研究分析,在此基础之上提出了属性约简的概念及相应的算法。首先采用模糊c均值聚类算法对连续属性值离散化同时对输入空间进行模糊划分；然后利用两步搜索策略计算离散化决策表的约简集,删除冗余的条件属性；从约简后的决策表中提取决策规则,再将决策规则转换成模糊分类规则,从而建立了模糊分类模型。该模糊分类模型直接基于对数据的分析,具有结构简单、语义解释性好和泛化能力强的优点,并且不需要再利用学习算法对参数进行调节。 2.指出Lingras粗k均值聚类算法的一些缺点,讨论分析了这些缺点的产生原因,在此基础上提出了一种改进的粗k均值聚类算法。改进的算法通过定义潜能来确定初始的聚类中心,并将Lingras粗k均值聚类算法计算上下近似所用的绝对距离改为相对距离。改进的算法初始聚类中心位置设置合理,对类边界的划分更加恰当,聚类效果好,性能稳定。基于改进粗k均值聚类算法,提出了一种新的模糊分类模型。采用改进粗k均值聚类算法对输入空间进行聚类从而构建初始的模糊分类系统,再利用遗传算法对初始模糊分类模型的前件参数进行优化,从而得到最终的模糊分类模型。该模糊分类模型实现了参数的准确辨识,具有较高的精度和泛化能力。 3.针对决策粗糙集只能处理离散数据的局限性,提出了能够直接用于连续数据的模糊决策粗糙集模型。将决策粗糙集模型严格不可分辨关系放松至模糊T-等价关系,从模糊隶属度角度定义条件概率,构造新的概率包含关系,在此基础上建立了模糊决策粗糙集模型。还研究了模糊决策粗糙集模型的性质,并提出了模糊决策粗糙集模型属性约简的定义及相应的约简算法。为进一步研究模糊决策粗糙集在分类建模中的应用提供了理论基础。 4.基于前面提出的模糊决策粗糙集模型,设计了一种基于约简的选择性多分类器集成系统。基于模糊决策粗糙集模型,利用两步随机属性约简算法,计算得到原始数据的多个不同约简。在每组约简上训练一组个体分类器,再利用遗传算法从每组个体分类器中选择部分按照相对多数投票法进行集成。该多分类器集成系统利用了不同约简所提供的互补信息,个体分类器之间的差异较大。实验研究的结果表明本文提出的多分类器集成系统具有较好的分类能力,且被集成的个体分类器数目较少。
【关键词】：粗糙集 模糊集 属性约简 连续数据 分类
【学位授予单位】：南京大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：C934
【目录】：

• 中文摘要5-7
• Abstract7-18
• 第1章 绪论18-35
• 1.1 研究背景及意义18-20
• 1.1.1 知识发现18-19
• 1.1.2 分类19-20
• 1.2 现有的分类方法20-27
• 1.2.1 决策树分类方法21
• 1.2.2 贝叶斯分类方法21-22
• 1.2.3 KNN分类方法22-23
• 1.2.4 神经网络分类方法23-24
• 1.2.5 SVM分类方法24
• 1.2.6 模糊集分类方法24-25
• 1.2.7 粗糙集分类方法25-26
• 1.2.8 基于融合技术的分类方法26-27
• 1.3 粗糙集与模糊集结合的研究27-32
• 1.3.1 粗糙集与模糊集的比较27-29
• 1.3.2 粗糙-模糊集成方法的文献综述29-32
• 1.4 论文的研究内容及篇章结构32-35
• 第2章 预备知识35-49
• 2.1 引言35
• 2.2 粗糙集的发展历史35-36
• 2.3 粗糙集的基本概念36-41
• 2.3.1 信息系统和决策表36
• 2.3.2 不可分辨关系36-38
• 2.3.3 上下近似集38-39
• 2.3.4 属性约简与核39-41
• 2.4 模糊集的基本概念41-44
• 2.4.1 模糊集合41-42
• 2.4.2 模糊算子42-43
• 2.4.3 模糊关系43-44
• 2.5 基于经典粗糙集的属性约简算法44-46
• 2.6 粗糙集的理论与应用研究46-47
• 2.7 粗糙集拓展模型47
• 2.8 本章小结47-49
• 第3章 基于决策粗糙集的模糊分类模型49-76
• 3.1 引言49-50
• 3.2 决策粗糙集模型及属性约简50-59
• 3.2.1 决策粗糙集模型的定义50-53
• 3.2.2 决策粗糙集模型的性质53-57
• 3.2.3 决策粗糙集的约简理论57-59
• 3.3 基于决策粗糙集的模糊分类系统59-71
• 3.3.1 FC_DTRS的设计流程59-60
• 3.3.2 输入变量的选择60-67
• 3.3.3 输入变量模糊子集的确立67-69
• 3.3.4 模糊规则的建立69-70
• 3.3.5 模糊推理70-71
• 3.4 实验分析71-75
• 3.4.1 TSAR_DTRS约简算法性能测试71-74
• 3.4.2 FC_DTRS模型性能测试74-75
• 3.5 本章小结75-76
• 第4章 基于改进粗K均值聚类的模糊分类模型76-93
• 4.1 引言76
• 4.2 基于改进粗K均值聚类的模糊分类模型76-83
• 4.2.1 FC_IRKM的设计流程76-78
• 4.2.2 粗k均值聚类算法78-79
• 4.2.3 改进的粗k均值聚类算法79-81
• 4.2.4 初始FC_IRKM的构建81
• 4.2.5 模糊分类模型的学习81-83
• 4.3 实验分析83-91
• 4.3.1 改进的粗k均值聚类算法性能测试83-90
• 4.3.2 基于改进粗k均值聚类的模糊分类模型性能测试90-91
• 4.4 本章小结91-93
• 第5章 模糊决策粗糙集模型及其属性约简93-108
• 5.1 引言93
• 5.2 模糊决策粗糙集模型93-97
• 5.2.1 模糊粒化93-96
• 5.2.2 粗糙近似算子96-97
• 5.3 基于模糊决策粗糙集的属性约简97-100
• 5.4 算例分析100-101
• 5.5 实验分析101-106
• 5.6 本章小结106-108
• 第6章 基于模糊决策粗糙集约简的多分类器集成系统108-118
• 6.1 引言108-109
• 6.2 基于模糊决策粗糙集约简的多分类器集成系统109-110
• 6.3 个体分类器的构造110-111
• 6.4 个体分类器的选择111-113
• 6.5 实验分析113-115
• 6.6 应用实例115-116
• 6.7 本章小结116-118
• 第7章 总结与展望118-121
• 7.1 主要工作与创新点118-119
• 7.2 研究展望119-121
• 参考文献121-134
• 致谢134-135
• 攻博期间发表和录用的论文135-136
• 攻博期间参与的科研项目136-137
• 附录一 MATLAB主要程序清单137-145
• 附录二 变压器故障诊断数据集145-147

【相似文献】

中国期刊全文数据库 前10条

1 郭桂治;辛永平;范春彦;;基于粗集层次分析法的一个改进[J];陕西师范大学学报(自然科学版);2007年S2期

2 苗强;窦艳杰;;基于粗支持向量机的区域创新能力评价研究[J];商业时代;2011年17期

3 董春游;曹志国;;基于Rough Set和灰色关联度的煤炭企业评价方法[J];黑龙江科技学院学报;2006年06期

4 冯俊华;田程;;基于模糊分析的企业战略联盟决策模型研究[J];陕西科技大学学报(自然科学版);2009年04期

5 王彪;段禅伦;赵俊岚;;一种基于粗糙集的小型电子商务挖掘模型[J];中国管理信息化(综合版);2007年02期

6 李学迁;傅春;;基于粗糙集的项目后评价方法探究[J];基建优化;2007年02期

7 黄觅;;数据挖掘在银行个人客户信用等级分类中的应用分析[J];现代商贸工业;2009年22期

8 麦范金;陆琳;梁业章;;基于粗糙集理论的旅游目的地评价方法研究[J];生态经济;2005年11期

9 冯征;;基于改进型神经网络的财务预警实证研究[J];山西财经大学学报;2007年08期

10 章纪顺;张洁;;基于粗糙集的数据挖掘及其在知识获取中的应用[J];浙江工贸职业技术学院学报;2007年04期

中国重要会议论文全文数据库 前10条

1 汪海;邓智芳;;3G运营支撑系统中的数据挖掘技术[A];广东省通信学会2006年度学术论文集[C];2007年

2 肖健梅;芦晓明;王锡淮;;集装箱起重机防摇系统粗糙集控制[A];第二十六届中国控制会议论文集[C];2007年

3 李晓丽;王彤;杜振龙;;基于粗糙集理论的流数据最优特征选择[A];第二十二届中国数据库学术会议论文集（研究报告篇）[C];2005年

4 聂力;王翰虎;;一个基于粗糙集理论的分类规则学习算法[A];第十六届全国数据库学术会议论文集[C];1999年

5 王旭阳;王彤;李明;;基于粗糙集理论的分类规则挖掘方法[A];第二十二届中国数据库学术会议论文集（研究报告篇）[C];2005年

6 刘永红;薛青;郑长伟;;基于粗糙集理论的C4ISR评估方法[A];第13届中国系统仿真技术及其应用学术年会论文集[C];2011年

7 赵明清;陶树平;;基于模糊等价关系的粗糙集[A];第二十届全国数据库学术会议论文集（技术报告篇）[C];2003年

8 葛丽;傅彦;;粗糙集在科学数据属性约简中的应用[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

9 陈楚湘;沈建京;陈冰;尚长兴;王运成;;运用粗糙集理论建立中老年肺炎中医症候诊断标准[A];第二十九届中国控制会议论文集[C];2010年

10 赵荣珍;杨娟;黄显华;;粗糙集理论的故障知识发现及其工程应用模式研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前9条

1 中国水利水电科学研究院水资源研究所所长、中国工程院院士 王浩;一部有创新性的力著[N];科技日报;2006年

2 ;栉风沐雨铸辉煌 继往开来谱华章[N];人民邮电;2006年

3 王玮 蔡莲红;数据挖掘走入语音处理[N];计算机世界;2001年

4 ;模糊计算不“含糊”[N];计算机世界;2003年

5 本报记者 李智 通讯员 梁宪生;零的突破[N];山西经济日报;2001年

6 李磊;让电子政务更聪明[N];计算机世界;2001年

7 记者 刘宏;模糊技术具有强大生命力[N];江西日报;2000年

8 重庆邮电学院党委书记徐仲伟 院长 聂能;发挥学科优势 打造信息平台[N];科技日报;2005年

9 闫春龙　邱云龙;宣钢与北京工业大学共同申报发明专利[N];世界金属导报;2011年

中国博士学位论文全文数据库 前10条

1 王莉;基于粗糙—模糊集成的分类知识发现[D];南京大学;2013年

2 张国军;基于粗糙集的相对属性约简算法及决策方法研究[D];华中科技大学;2010年

3 马君华;粗糙集属性约简和聚类算法及其在电力自动化中的应用研究[D];华中科技大学;2010年

4 欧健;汽轮发电机组振动故障集成诊断网络模型及方法研究[D];重庆大学;2004年

5 杨习贝;不完备信息系统中粗糙集理论研究[D];南京理工大学;2010年

6 纪霞;不完备信息系统中粗糙集理论的扩展研究与应用[D];安徽大学;2010年

7 赵佰亭;混合决策系统的粗集模型及在转台故障诊断中的应用[D];哈尔滨工业大学;2010年

8 汤建国;覆盖粗糙集的关键技术研究[D];电子科技大学;2012年

9 刘业政;基于粗糙集数据分析的智能决策支持系统研究[D];合肥工业大学;2002年

10 丛蓉;作战指挥决策支持系统目标融合识别研究[D];大连理工大学;2010年

中国硕士学位论文全文数据库 前10条

1 李晓燕;平面一级倒立摆系统的智能控制策略研究[D];太原理工大学;2005年

2 雷明;基于粗糙集理论的决策表压缩[D];华北电力大学（北京）;2010年

3 张贤勇;粗糙集的数学基础研究与两个广义粗糙集模型的探讨[D];四川师范大学;2004年

4 周勇;基于粗糙集和模糊集理论的综合评价研究[D];西南交通大学;2004年

5 吕望;基于粗糙集的车辆超载自动检测方法研究[D];长沙理工大学;2010年

6 田静宜;基于粗糙集和神经网络的柴油机故障诊断研究[D];中北大学;2011年

7 于兴网;粗糙集属性约简算法在数据挖掘中的研究[D];重庆大学;2004年

8 魏悦亮;粗糙集在数据挖掘不确定性问题中的研究[D];中国石油大学;2010年

9 袁晓娟;基于粒计算的双论域粗糙集模型研究[D];兰州大学;2010年

10 武金艳;粗糙集与证据理论在医疗智能诊断系统中的应用研究[D];湖南大学;2010年

  本文关键词：基于粗糙—模糊集成的分类知识发现，由笔耕文化传播整理发布。

，

本文编号：270709