基于遗传算法和模糊规则的分类算法 本文的主要内容是介绍了一种基于遗传算法和模糊规则的分类算法。该算法首先提取模糊规则,然后使用遗传算法对模糊规则进行优化选择,最后对无法识别的样本启动触发器。该算法可以在保证分类正确性的前提下尽量减少规则数,并提高样本识别能力。 模糊规则的优势在于系统具有良好的可解释性,规则中每个属性的模糊集合都是具有实际意义的词(如大、小),所以使用者可以通过语义解释来理解每条规则。但是,传统的模糊系统中的模糊规则一般都是由专家给出,在大量文献中出现了很多从数值型数据中自动提取模糊规则的方法。本文提出了一种用于分类问题的模糊系统:首先,采用一种启发式方法从样本中提取模糊规则,将提取的模糊规则定义成一个规则集 S;然后,采用多目标遗传算法对规则集 S 进行优化,优化的目标是使规则集在具有高分类性能的前提下尽可能精简;最后对未识别样本启动触发器对其进行识别。 在模糊规则的提取中,本文使用了一种启发式方法来提取模糊规则。首先,将所有属性值归一化到 [0,1] 区间,然后在此区间上定义 (K = 3,…,7) 个模糊子集。采用三角形隶属度函数来计算隶属度。然后,使用提取模糊 ibthen 规则算法来确定后件分类 c,和规则置信度 c。 在分类问题中,模糊规则可以用于解决样本分类问题。假设一个在 d 维样本空间 [0,1],m 个训练样本 xp = (x1p,…,xdp),p = 1,2,…,m,分为 c 类的问题 (c < m)。文中使用如下形式的模糊 ibthen 规则来解决样本分类问题: Rule Rf:if P1 is A1 and … and Pd is Ad then class G with Cf。 其中,Rf 表示第 f 条模糊 ibthen 规则,Ai 表示在单位区间 [0,1] 上的前件模糊集合,c,是后件分类,Cf 是该条规则的置信度。均采用三角隶属函数,从便于理解的角度考虑,将每个属性划分成 K (K = 3,…,7) 个语义,如 K = 5 表示属性被划分成大、较大、中、较小、 小。 在实验结果中,使用 Iris 数据对该分类系统进行仿真,结果表明该系统具有良好的分类能力和精简规则能力。 本文提出了一种基于遗传算法和模糊规则的分类算法,该算法可以在保证分类正确性的前提下尽量减少规则数,并提高样本识别能力。该算法可以应用于解决各种分类问题,提高分类性能和精简规则能力。
- 粉丝: 815
- 资源: 28万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助