基于蚁群算法的不确定规则提取方法及应用

摘要

近几十年来，数据挖掘的方法一直受到很大的关注。对基于模糊逻辑和模糊推理系统的数据挖掘方法的研究取得了不少成果。最近，清华大学的刘宝碇教授提出处理主观行为的新理论，称为不确定性理论。在不确定性理论的基础上，本文考虑基于不确定系统的数据挖掘方法。
　　在设计不确定系统时，可以将设计过程建模为一个高维空间的搜索问题，高维空间中每个点代表一个规则集、隶属函数和相应的系统行为。本文重点考虑的是不确定推理规则的产生，提出了两种基于蚁群优化算法的不确定规则提取方法。同时，为了加快算法的收敛速度，提高算法的优化性能，本文在蚁群算法的基础上引入变异操作和模拟退火算法。这样，结合具体的隶属函数和系统行为，利用提取的不确定规则就能成功设计一个不确定系统。最后，本文用不确定系统解决数据挖掘中的分类问题。通过两个例子来验证本文方法的有效性和优越性。

目录

声明

摘要

1 引言

1．1 数据挖掘理论和方法

1．2 模糊系统理论及其设计方法

1．3 本文的主要内容

2 预备知识

2．1 蚁群优化算法

2．2 不确定集和隶属函数

2．3 期望值

2．4 不确定推理规则和不确定系统

3 不确定集的期望值计算

4 具有变异特征的蚁群算法的不确定规则提取方法

4．1 决策向量

4．2 目标函数

4．3 具有变异特征的蚁群算法不确定规则提取方法

5 模拟退火算法作局部搜索的蚁群算法的不确定规则提取方法

5．1 模拟退火算法

5．2 模拟退火算法作局部搜索的蚁群算法的不确定规则提取方法

6 实验和结果

6．1 IRIS数据集的分类问题

6．2 Wisconsin Breast Cancer(WBC)数据集的分类问题

总结

致谢

参考文献

附录