数据挖掘的模糊系统实现

摘要

“数据挖掘”的目标是要从错综复杂的数据中去发现某种重要的模式和趋势，真正地去理解数据的内涵，模糊系统正是“数据挖掘”的一个理想的系统和方法。模糊系统有着非常灵活的数学结构，是一种高效的万能逼近器。更为重要的是，模糊系统的规则库能为我们提供许多隐藏在数据中的知识，并以规则的形式为人们所用。但是，这并不意味着模糊系统已经完美无缺。 1.现有模糊建模的许多方法仅仅是从函数逼近这个角度来研究，即如何改进函数逼近精度以及建模的速度。这只是从模糊系统是万能逼近的性质方面来进行模糊建模，如何更加充分地利用各种信息尤其是来自于数据的信息呢? 2.当面对高维数据，现有的模糊系统依然面临着维数灾难的问题：模糊规则的指数增长；大量参数需要拟合而却只有十分稀疏的数据散落在高维空间等等。 本文针对这两个问题，提出了我们自己的方法。1.我们处理规则爆炸的基本思想来源于聚类。所谓“人以群分，物以类聚”，相似的数据被划分为一类，然后对每一类仅用一条规则进行描述。这样规则数将不会随维数的增长而指数增长，而是与数据本身的特征联系起来。 2.为了获得更为有效的论域划分，我们研究了现有的各种聚类方法，比较了它们各自的优缺点，并最终提出了两种基于MCV聚类的模糊建模新方法。本文详细地讨论了这两种方法获取的隶属度函数的特点，以及参数估计方面的性质，并把这两种方法与其它经典的方法进行了比较。从数据挖掘这个角度看，我们的方法不仅具有很好的预测能力，还提供了更简洁的规则库，为分析问题的本质和发现数据中隐含的知识提供了更好的工具。 3.如何处理高维问题?输入选择应该是关键的第一步。它不仅起到了降维的作用，还能增加模型的可解释性并减少计算量。 我们在本文中提出了两种基于常识的输入选择方法，一种是基于灵敏度分析的输入选择，另一种是基于数据一致性的输入选择。这两种方法的出发点看似完全不同，其实是等价的，我们的分析表明了这两种方法本质上的联系，大量的实验也证明了这两种输入选择方法的有效性。 本文对许多著名数据挖掘问题进行了较全面的分析，如MPG预测问题，Box-Jenikin煤气炉问题，波士顿住房问题，得到了许多形象、生动、有趣的结论。

目录

摘要

引言

第一章模糊系统

第二章聚类算法评述

第三章基于最小体积聚类的模糊建模

3.1最小体积聚类

3.2基于最小体积聚类的模糊建模

3.3本章小结

第四章输入选择问题

4.1输入选择问题简介

4.2基于聚类的输入选择

4.3基于一致性测度的输入选择

4.4本章小结

第五章结语

参考文献

作者在攻读硕士学位期间发表、录用及完成的论文

致谢