(3)若 ，则把该样本归入概念 类中，否则，把样本 归入概念 类中；
(4)反复执行步骤(1)~(3)，直到 为止。
步骤(2)是分类思想的主要运算部分，其过程及对应值分布如图4所示。
图4 各概念被激活的隶属度分布图
3 实例分析
通过对某一网站上Web日志上大量数据的采集，对大量不同客户的数据进行分析处理，即考虑客户在网站上的停留时间，访问次数和访问信息量等条件因素，来调查客户对该网站信息的满意程度，最终得到客户的有效分类。图4实际上是该实验过程的结果，通过本文方法，若将最终的决策属性分为三个定性概念，即不满意、较满意和满意三个不同的概念，其对应的云模型分别为：LCB（29，9.5，0.113），CB（50，8.4，0.097），RCB（85，10，0.082）。某一客户对网站的访问信息为因素集（停留时间、访问次问、访问信息量和满意值），通过计算得到这些条件因素的相关程度 。又因为决策属性的三个定性概念之间的弹性系数为 ，且 ，通过算法可知，该用户被归入了概念LCB中。在此过程中可以最多得到 个规则， 为每个条件因素的概念个数，例如： 表示决策表中客户的满意程度的三个概念。最终任意一多条件单规则R都可以描述为形如：“停留时间‘长’、访问次数‘较大’和访问信息量‘一般’分类算法，则客户的满意度为‘较满意’”的规则。与定量数据相比，它更合乎人类的思维模式。
实事上，在模糊模式识别当中，最大隶属原则和择近原则是样本归属分类的主要依据，同样，基于云规则推理的分类模型的出发点也是利用最大确定度的原则来对样本进行恰当的分类，这也就证明了该模型的可行性。
4 总结
本文提出了一种基于云模型的定性规则推理分类方法，事先通过云变换对每个数值型属性进行离散化，生成一系列用云表示的基本概念集。将这些基本概念提升到合适的概念层次上，采用极大判定法对每个数值型属性进行软划分，并求得相应被激活各属性概念的确定度，就可以得到基于隶属度的决策表。该方法摆脱了以往依赖于定量数据的分类，实现了数据的软操作，通过定性推理过程，对数据对象进行定性概念的推理，进而实现了符合人类思维活动的分类过程。需要说明的是，多条件单规则是多条件多规则的一个子集，可以通过扩展，把多条件单规则拓展到多条件多规则中，实现基于多条件多规则的定性推理分类。
参考文献
[1]谢季坚.模糊数学方法及其应用[M]. 武汉: 华中科技出版社, 2003,7.
[2]李德毅.隶属云和隶属云发生器[J]. 计算机研究与发展, 1995, 32(6):15-20.
[3]李德毅.不确定性人工智能[M]. 北京: 国防工业出版社, 2005.7
[4]杜鹢,宋自林,李德毅.基于云模型的关联规则挖掘方法[J].解放军理工大学学报, 2000, 1(1):29-35.
[5]Li Deyi, Di Kai chang, Li Deren, et al. Miningassociation rules with linguistic cloud models[J]. Journal of Software. 2000, 11(20):143-158.
[6]蒋嵘,李德毅,陈晖.基于云模型的时间序列预测[J].解放军理工大学学报, 2000, 1(50):13-18.
[7]柳炳祥,李海林,杨丽彬.云决策方法[J]. 控制与决策, 2009, 24(6):957:960.
[8]李海林,柳炳祥,杨丽彬.一种基于云理论的考核成绩评价模型[J]. 计算机时代, 2007, 10: 4-5.
[9]Li Deyi, Han J, Shi X M. Knowledge Representation andDiscovery Based on Linguistic Models[J]. In: Lu H J, Motoda H eds. KDD:Techniques and Applictions. Singapore: World Scientific Press, 1977, pp.3-20.
[10]李海林,柳炳祥,杨丽彬.云模型中的概念软与方法[J]. 计算机应用，2008, 10:5120-5124.
3/3 首页 上一页 1 2 3 |
