一种集成遗传算法与模糊推理的

粗糙集数据分析算法

李玉榕$

$

乔斌!

（福州大学电气系，福州@A"""!）!（浙江大学电气工程学院，杭州@$""!B）

C;D3>5：5.&EFGH$I@#=,-摘

要

粗糙集数据分析的主要优点在于它不要求任何关于被处理数据的先验或额外的知识，文章利用其对数据库进

行分析计算，自动获取数据库在各个层次上的规则集。在保证量化后的数据库具有最大一致性的前提下，利用遗传算法求取连续属性值的最优量化区间个数及各个区间分点值。同时将量化区间进行模糊化数据分析遗传算法，将清晰规则集转化为模糊规则集，利用模糊推理进行决策以提高鲁棒性。通过对JKL中几个数据库的测试验证了所提出算法的有效性。关键词

粗糙集理论

遗传算法

模糊推理

文献标识码?

中图分类号12!BN

文章编号$""!;%@@$;（!""!）$%;"$MM;"@

!"#$%&’()*+,),!-,./*0*!.%#10)&23#240-(560)&7(-()08!.%#10)&2*,-59$::/;-$1#-%?@0,#A0-B

$（:,O3&-D,=-’PC5,Q-&>Q35C=)>=,,&>=)，R(E*’(J=>S,&+>-.，R(E*’(@A"""!）!（K’55,),’PC5,Q-&>Q35C=)>=,,&>=)，7*,G>3=)J=>S,&+>-.，T3=)E*’(@$""!B）

!4*)1,8)：1*,D3>=3+>+-*3->-&,3=.O&>’&’&3’=356=’45,+-*,=(+,=-*>+O3O,&-’3=35.+>+-*,&>=)3(-’D3->Q355.-*,*>,&3&Q*>Q35&(5,+,-+#L=’&D(DQ’=+>+-,=Q.’P-*,V(3=->P>Q3->’=Q35)’&>-*D+>+(+,D35=(DW,&3==-+’PS>+>’=’PV(3=->P>Q3->’=>=-,&S35+#?--*,+3D,->D,-*,V(3=->P>Q3->’=>=-,&S35+>+P(EE>P>,+O&(5,+,-+3&,-*,=-&3=+P’&D,=P,&,=Q,>+Q’=+O&’S,-’&.#C(/6#15*：&’()*+,-+-*,’&.，),=,->Q35)’&>-*D+，P(EE.>=P,&,=Q,

$引言

粗糙集理论（简称/01）是由2345367#&’()*+,-+-*,’&.，

/0:?具有很大的优越性。

文章利用粗糙集数据分析的方法，从原始数据本身出发，通过粗糙集理论中相对简约和值简约的概念和计算方法，建立了一个多个层次的规则集。这些多层次的规则集，由于它们更简短，更具一般性，故对数据中的噪声或异常性具有容错能力，并且可以对不完整的新数据进行决策；

而实际生活中的数据大多数是具/0:?处理的是离散量，

有连续属性值。因此数据分析遗传算法，文章采用原始数据库的相关系数作为适应值函数，利用遗传算法对各个连续属性变量的量化区间个数及各个分点值进行优化，在保证量化后数据最大一致性的前提下，对原始数据进行量化；

普通的量化区间缺乏连续性和鲁棒性，数据从一个区间变化到另一个区间是突然的。因此同时对量化区间进行模糊化处理，克服了数据变化的突然性，从而将利用/0:?得到的多层次清晰规则集转化为多层次模糊规则集，而后利用模糊推理进行决策，以发挥模糊推理的优越性。结合了模糊推理和遗传算

及其合作者于%"年代初提出的一种新的处理模糊性和不确定性的数学工具8$98!9。较其它不确定推

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！