基于粒度计算和遗传算法的数据挖掘算法研究

摘要

随着数据库技术的成熟和知识发现等领域技术的不断发展,数据挖掘技术应运而生,并在越来越广阔的领域得到应用和发展。粗糙集方法是一种重要的数据挖掘方法,是由波兰科学家Z.Pawlak教授于1982年提出的一种处理不精确、不一致、不完整等各种不确定信息的强有力的数学工具。其主要思想是在保持分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则,而且在没有提供任何先验信息的前提下,其也能有效地处理和分析各种不确定数据信息,并从中发现隐含的知识,揭示潜在的规律。近年来,粗糙集理论已经在数据挖掘、决策分析、人工智能、模式识别等诸多领域都得到了成功的应用。进一步探索更加高效的分类和属性约简算法是目前国内外研究的热点。
　　 本文将数据挖掘理论、粒度计算理论以及遗传算法理论三者有效结合,对于如何改进决策树分类算法和属性约简算法进行了深入地研究,主要工作包括以下几个方面:
　　 (1)对数据挖掘(Data Mining)技术进行了总体上的概述,包括数据挖掘的定义、研究的现状以及当前存在的问题、一般过程、主要研究方法和技术,为在这一领域进行更深入的研究打下了良好的基础。在此基础上对现有决策树分类算法和属性约简算法进行了综述,并对各种现有算法进行了比较和分析。
　　 (2)提出一种基于属性支持度的决策树算法(DTBAS算法),该算法首先在粒度计算理论基础上提出了属性支持度的概念,然后将其作为决策树构造中选取测试属性的标准。实验结果表明DTBAS算法较ID3算法、C4.5算法分类精度更高、计算量更小。
　　 (3)提出一种基于改进的自适应遗传算法的属性约简算法(MGAAR算法),该算法主要做了三点改进,引入了属性核以对随机产生的二进制初始种群加以限制,在适应度函数中引入了条件属性对决策属性的支持度,并对交叉概率和变异概率进行了新的设定。通过实验分析表明该算法大大减少了迭代次数。

目录

文摘

英文文摘

第1章 绪论

1.1 研究的背景及意义

1.2 国内外研究现状

1.3 数据挖掘的任务及常用的技术

1.3.1 数据挖掘的任务

1.3.2 数据挖掘的常用技术

1.3.3 数据挖掘技术实施的步骤

1.4 本文的工作

1.5 本文的组织

第2章 粗糙集和粒度计算理论

2.1 粗糙集理论

2.1.1 基本概念

2.1.2 知识的分类

2.1.3 算例

2.2 粒度计算理论

2.2.1 粒度计算的定义

2.2.2 粒度计算的基本概念

2.2.3 粒度计算的基本成分

2.2.4 粒度计算的基本问题

2.3 本章小结

第3章 遗传算法

3.1 遗传算法的发展和现状

3.2 遗传算法的基本概念

3.3 遗传算法的基本操作

3.3.1 选择操作

3.3.2 交叉操作

3.3.3 变异操作

3.4 适应度函数

3.5 基本遗传算法的实现

3.5.1 遗传算法的基本框架

3.5.2 遗传算法的算法描述

3.6 本章小结

第4章 基于改进的自适应遗传属性约简算法

4.1 属性约简的一般方法

4.1.1 基于分辨矩阵的属性约简算法

4.1.2 基于信息熵的属性约简算法

4.1.3 基于属性依赖度的属性约简算法

4.1.4 基于遗传算法的属性约简算法

4.1.5 属性约简算法的比较

4.2 MGAAR算法的设计

4.2.1 属性支持度的提出

4.2.2 编码方法

4.2.3 适应度函数的设计

4.2.4 选择算子的选取

4.2.5 交叉算子的选取

4.2.6 变异算子的选取

4.2.7 交叉概率和变异概率的自适应确定

4.2.8 MGAAR算法描述

4.2.9 实验分析

4.3 本章小结

第5章 基于粒度计算理论的决策树学习新方法

5.1 决策树算法

5.1.1 决策树算法的基本思想

5.1.2 决策树算法的基本流程

5.1.3 决策树算法的性能评价

5.2 经典决策树算法分析与比较

5.2.1 ID3算法

5.2.2 C4.5算法

5.2.3 其他决策树算法

5.2.4 决策树算法比较

5.3 基于属性支持度的决策树学习算法(DTBAS算法)

5.3.1 属性选择原理

5.3.2 DTBAS算法描述

5.3.3 实验分析

5.4 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读硕士期间发表的论文及所取得的研究成果