基于对象相似度的属性约简研究

• 作 者: 尹继亮
• 出 处: 烟台大学
• 发表日期: 2019年09期
• 关键词: 人工智能 粗糙集理论 属性约简 相容关系 相似关系

随着人工智能技术的日益成熟,应用领域不断扩大,数据挖掘、智能决策系统、知识工程、分布式人工智能等领域中数据采集和存储的算法具有了更高的效率,但也使得数据类型愈加复杂,规模不断增长,形成了符号型、不完备型、区间型、集值型和数值型等复杂类型的数据。经典粗糙集理论是由波兰数学家Z.Pawlak在1982年提出的能够刻画分类数据不一致性程度的有效工具,现已成功应用于数据挖掘、机器学习和智能决策等领域。属性约简又称特征选择是粗糙集理论的重要研究内容之一,其目的是保留使信息系统分类能力不变的最小属性集合,从而删除冗余属性。经典粗糙集所描述的概念是清晰的,等价的对象用“1”表示,否则用“0”表示,它的局限之一是只能处理符号型数据,但考虑到实际环境中复杂的数据类型广泛存在,而等价关系无法对其描述。因此,本文通过相容关系和相似关系分别描述了区间值数据和数值型数据的不确定性,并提出了相应的属性约简算法,主要工作有三点:1)将最大置信度的概念引入到不协调区间值决策系统中,构造最大分布保持不变的差别矩阵,并设计了基于差别矩阵的最大分布约简算法。对比了不协调区间值决策系统的最大分布约简算法与正域、分布约简算法之间的关系。最后进行了实验验证,表明了最大分布约简算法的有效性。2)针对区间值决策系统中决策属性的某些决策类,在区间值决策系统中引入局部约简的概念,设计了基于差别矩阵的局部约简算法。通过局部约简的概念进一步刻画了区间值决策系统的全局约简,分析了两类约简之间的关系。通过实验验证了局部约简算法的可行性和正确性。3)针对模糊粗糙集相似关系中存在较多噪音等问题,在经典模糊相似关系的基础上引入相似关系半径,设计出基于差别矩阵的广义决策保持约简方法,但其算法复杂度较高,因此又利用属性集间相似程度提出了基于前向贪婪和后向贪婪的两种启发式广义决策保持约简方法,通过实验证明了3种算法的正确性。工作1)和2)利用相容关系刻画了区间值数据对象之间的相似度;工作3)利用相似关系刻画了数值数据对象之间的相似度。