文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 不完备信息系统的数据挖掘方法研究
侵权投诉

不完备信息系统的数据挖掘方法研究

第1期邢化玲,等:不完备信息系统的数据挖掘方法研究    91

失真,并且未考虑实际问题中属性获取的实时性、难易程度和成本代价等,从而影响最终决策的实用性。针对这些不完备处理方法的不足,本文从原始数据出发,直接在不完备信息系统上进行数据挖掘,以求得最接近原始数据的规则。

a)数据准备。从原始数据出发,确定条件属性和结论属

性集合,选择各属性的值域。将原始数据表示成适合粗糙集处理的二维决策表形式,并将连续条件属性按属性重要性离散化方法[5]进行离散化,得到决策系统,记做(U,C∪{d})。

b)属性分层。将属性分为完备属性层C1和不完备属性

 粗糙集及其扩展

1 粗糙集题

定义2 对于信息系统S=(U,A,V,f),设PΑA,称二元等价关系IND(P)={(x,y)|(x,y)∈U×U且Πa∈P有f(x,

a)=f(y,a)}为由属性集P导出的不可分辨关系。

层C2,并且C1∪C2=C,C1∩C2= 。

c)首层决策系统。以条件属性C1和决策属性d构成首层

决策系统,并对其进行知识约简。计算各条规则的置信度,m。放弃置rm1的确定r1的不确定性规则,记为n1n1组规则构建模糊神经网络,对首层决策系1,C1∪{d})进行决策分析。

d)次层决策系统。以条件属性C2和决策属性构d成层次

定义3 对于信息系统S,设BΑA,XΑU,称BX={x[x]IND(B)ΑX},BX={xΑU|[x]IND(B)∩X≠ XB

下近似集和B上近似集。POSB(B)=-BNB(X)=BX-XX。

决策系统(U2,C2∪{d})。其中:U1∪U2=U;U1∩U2= 。利用扩展的粗糙集理论中的相似模型对次层决策系统进行知识约简,得到带有置信度的规则,并构建模糊神经网络,对其进行决策分析。

1 首层决策系统的约简算法

定义6 对于决策系统S=(U,C∪{d}),称(m3ij)n×n为S的分辨矩阵。其元素定义为

m3ij{a|a∈C且f(xi,a)≠f(xj,a)} (xi,xj)|

1 通常,处理不完备信息系统的信息。相似模型是经典粗糙集模型的扩展,用相似关系代替了不可分辨关系,可以处理不完备信息系统。

定义4 对于不完备信息系统,设BΑA,称SIM(B)=

{(x,y)∈U×U|Πa∈B,a(x)=a(y)ora(x)=3ora(y)=

3}为由属性集B导出的相似关系。令SB(x)表示对象集{y∈

U|(x,y)∈SIM(B)},对B而言,SB(x)是与x可能不可区分的

IND(d)

3

(xi,xj)∈IND(d)

对象的最大集合。

定义5 设BΑA,XΑU,称BX={x∈U|SB(x)ΑX}和

BX={x∈U|SB(x)∩X≠ }分别为X在B下的正域、负域

[4]

333

称ρ=∧{∨mij}为决策系统的分辨函数。其中:∨mij表示

mij所有属性的析取运算;∧mij表示合取运算

3

[6]

。

3

将分辨函数ρ化为析取范式,则每个子式所包含的条件

。

属性构成一个约简。

1 次层决策系统约简的计算

定义7 对于不完备决策系统S=(U,C∪{d}),BΑC,称9B(x)={i|i=d(y),y∈SB(x)}为决策系统的广义决策函数。设αSIM({a})的a∈B的集合,则称B(x,y)是满足(x,y)|Δ3=

(x,y)∈U×{z∈U|d(z)|9C(x)}

 不完备信息系统的数据挖掘方法

通常对于不完备的信息系统,在数据挖掘前首先按照某种方法将不完备的数据完备化;然后对完备化后的信息系统进行数据挖掘。但是,相对于原始数据来讲,这种做法将会使完备化后的数据失真,引进噪声,从而使获取的知识或规则不可用。考虑到实际问题中获取属性的难易程度、实时性和成本等要求,遵循分层递阶的原则,利用那些容易采集的数据在本层次上进行数据挖掘获取所需的知识。如果得不到所需知识,就进一步深入观察,在下一个层次上获取知识。这样就可以在不同的层次上观察和分析同一问题,利用已有的知识逐步缩小问题求解的范围,直到得到最终结果。1 数据挖掘过程

数据挖掘方法的思路是:首先,从原始数据出发将属性分为完备层和不完备层,让不完备属性出现在较深层次上;然后,利用完备层属性建立首层决策子系统,给定目标规则的置信度,应用经典的粗糙集理论对其进行知识约简得到满足置信度要求的规则;最后,根据首层的约简情况,利用不完备层属性建立次层决策子系统,应用扩展的粗糙集理论对其进行规则推导。同时,在每个子系统中,利用粗糙集得到的规则构建模糊神经网络,以增强系统的决策能力和推广能力。

数据挖掘的步骤如下:

76αC(x,y)为S的区分函数。

将区分函数转换为析取范式,则每个子式所包含的条件属性构成一个约简。1 模糊神经网络的构造

粗糙集作为一种数据挖掘方法,在特征提取和消除冗余数据方面具有显著功效。但是由于粗糙集方法不具备推广性,将其与模糊神经网络相结合来增强系统的泛化能力和决策精度。

a)对原始数据进行离散化得到初始的决策表,并求出各离散

值对应的隶属函数;b)对离散化的决策表进行属性约简,获取最简决策规则

不完备信息系统的数据挖掘方法研究

;c)以所得的决策规则为模糊推理系统的模糊规则,构建模糊神经网络。根据以上思路,模糊神经网络共由以下五层组成。网络结构如图1所示。

a)输入层。节点数与条件属性数目同为m;输入变量是精

11

确的条件属性值。I1k=xk,Ok=Ik(k=1,2,…,m)。

b)模糊化层。对每个输入变量xi离散化为ri个不同的离

散值。该层的神经元作用函数为各离散值对应的模糊隶属函

12i22

kσ2数:I2ki=Ok,Oki=uk=exp[-(Iki-akik)/ki](k=1,2,…,kkkk

上一页第2页

你可能喜欢

  • 信息系统理论
  • 数据挖掘应用
  • 信息抽取技术
  • 数据挖掘技术
  • 十大数据挖掘算法
  • 数据挖掘综述
  • 数据挖掘分析

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email