基于粗糙集和决策树的规则提取方法研究

论文摘要

粗糙集理论是一种处理不准确、不确定和不完备信息的有效分析工具,能利用现有知识库中的知识对不完备信息进行近似刻画处理。属性约简和决策规则提取是粗糙集的两大核心研究内容,但现有的属性约简算法和决策规则提取方法都存在各种不足。为了获得更精简的属性约简集并有效提取决策规则,本论文首先针对基于分明矩阵的属性约简算法中构造分明函数时存在的元素重复、化简计算量大、矩阵元素长度不一等缺陷进行了改进。由于决策树技术具有分类速度快、效率高、容易理解等特点,本论文将其与粗糙集理论相结合实现决策规则的提取。利用上述改进的属性约简算法得到约简集,再利用约简集构造一棵具有多变量多集合的决策树,从而提取决策规则。为避免不一致信息的干扰,引入准确度和覆盖度两个评价因素对决策规则进行筛选,最后提取有效的决策规则。通过旋转机械中转子不对中的故障诊断实例对上述改进算法进行验证,实例表明,改进的属性约简算法比改进前的算法在故障规则提取时间上更快,证明了改进算法的有效性;同时也表明用粗糙集与决策树相结合的方法,不仅可以去除噪声,也可以处理不一致信息,最终能得到有效的故障诊断决策规则集。为了将上述方法更好应用到实践中,本论文在.NET平台上设计和实现了一个基于粗糙集的决策规则提取系统,此系统可对原始决策表进行属性约简、根据约简集构造出决策树进行规则提取、并引入覆盖度对规则进行筛选获得有效规则。

论文目录

• 摘要
• ABSTRACT
• 第1章 引言
• 1.1 粗糙集理论的研究现状
• 1.2 决策树技术的发展与现状
• 1.3 粗糙集与决策树相结合及应用
• 1.4 本文所做的主要工作
• 第2章 粗糙集理论
• 2.1 粗糙集的基本概念
• 2.1.1 知识和知识库
• 2.1.2 信息系统和决策表
• 2.1.3 不可分辨关系
• 2.1.4 上、下近似集
• 2.1.5 依赖度和重要度
• 2.1.6 分明矩阵
• 2.2 粗糙集的化简
• 2.2.1 数据离散化
• 2.2.2 属性约简与核
• 2.2.3 决策规则
• 第3章 基于分明矩阵的属性约简算法
• 3.1 现有的属性约简算法
• 3.1.1 一般属性约简算法
• 3.1.2 基于属性重要度的启发式算法
• 3.1.3 基于信息熵的属性约简算法
• 3.1.4 基于分明矩阵和逻辑运算的属性约简算法
• 3.2 改进的基于分明矩阵的属性约简算法
• 3.2.1 算法改进
• 3.2.2 算法描述
• 3.2.3 算法比较
• 3.3 实例分析
• 第4章 基于粗糙集和决策树的规则提取算法研究
• 4.1 决策树技术
• 4.2 基于粗糙集的决策树构造算法
• 4.2.1 传统的决策树算法简介
• 4.2.2 改进的基于粗糙集的决策树构造算法
• 4.2.3 实例分析
• 4.3 决策规则提取及筛选
• 4.3.1 覆盖度
• 4.3.2 决策规则的提取及推理过程
• 4.3.3 实例分析
• 第5章 基于粗糙集的决策规则提取系统实现
• 5.1 系统功能模块
• 5.2 系统实现
• 5.2.1 数据输入
• 5.2.2 属性约简
• 5.2.3 决策树
• 5.2.4 规则提取
• 5.2.5 规则筛选
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果