[發明專利]一種苯乙烯設備選型規則生成方法

有效

• 申請號: 201710702840.6
• 申請日: 2017-08-16
• 公開（公告）號: CN107463784B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 錢鋒;鐘偉民;杜文莉;萬鋒
• 申請（專利權）人: 華東理工大學
• 主分類號: G16C20/70
• 分類號: G16C20/70
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 韋東

本發明涉及一種苯乙烯設備選型規則生成方法。具體而言，本發明方法包括獲取苯乙烯設備選型數據；確定DSSRID3的非分裂屬性；確定DSSRID3分裂屬性；計算非分裂屬性和分裂屬性的信息熵和分裂屬性的信息增益值，并對信息熵和信息增益值進行排序；選擇信息增益最大的分裂屬性為節點構建影響因素決策樹；和通過公式(5)計算分裂屬性，通過公式(6)計算非分裂屬性的權重值，獲取苯乙烯設備選型規則。本發明的設備選型規則可以應用于新設備選型。

技術領域

本發明屬于苯乙烯領域，是一種苯乙烯設備選型規則生成方法。該方法可用于獲取苯乙烯設備選型規則。

背景技術

數據挖掘，在人工智能領域又稱為數據庫中的知識發現，是指從包含大量數據的數據庫中發現隱含的、先前未知的并具有潛在價值的信息的過程。數據挖掘的主要任務有分類分析、聚類分析、關聯分析、序列模式分析等，其中分類分析由于其特殊地位，一直是數據挖掘領域的研究熱點之一。數據挖掘分類就是對輸入數據進行分析，獲取準確的分類規則，并以此分類規則為基礎，對新數據進行分類。常用的分類算法有貝葉斯分類、K-近鄰法、支持向量機、決策樹等。

決策樹算法是一種基于貪心算法的歸納分類算法，即每一步選擇中都采取在當前狀態下最好或最優選擇，以自頂向下遞歸的方式構造決策樹。決策樹算法通過對訓練集不斷地學習，生成可讀的、有用的規則，然后將生成的規則用于新集進行預測分析。典型的決策樹算法有ID3，C4.5，CART等。

ID3決策樹算法，是J.Ross Quinlan在1975年提出的一種基于決策樹的貪心算法。ID3算法起源于概念學習系統(CLS)，以信息熵的下降速度為選取測試屬性的標準，即在每個節點選取還尚未被用來劃分的具有最高信息增益的屬性作為劃分標準，然后繼續這個過程，直到生成的決策樹能完美分類訓練樣例。

發明內容

現有的設備選型數據中隱藏了大量的設備選型規則，應用相關的數據挖掘分類算法對輸入數據進行分析，通過研究在訓練集表現出來的特性，可以有效的獲取設備選型規則，此規則可以應用于新設備選型。為了獲取苯乙烯設備選型規則，本發明設計了一種苯乙烯設備選型規則生成算法DSSRID3(Device Selection of Styrene Rule ID3)。

苯乙烯設備選型通常由多個因素共同決定，DSSRID3算法的基本思路是首先基于ID3算法分別計算非分裂屬性(設備類型)和分裂屬性(設備選型影響因素)的信息熵和信息增益，并以此構建設備選型影響因素決策樹，從而判斷每個分裂屬性是否是非分裂屬性的影響因素；然后分別計算非分裂屬性和分裂屬性的權重值，并因此生成設備選型規則。

具體而言，本發明的苯乙烯設備選型規則生成方法包括以下步驟：

(1)獲取苯乙烯設備選型數據；

(2)確定DSSRID3的非分裂屬性：將選型數據中的某一種設備類型設置為非分裂屬性，該非分裂屬性為正例，則其他的設備類型為反例；

(3)確定DSSRID3分裂屬性：將選型數據中所有影響設備選型的因素設置為分裂屬性，應用二元劃分法進行表示，即取值為“Yes”或“No”，從而生成訓練樣本集；

(4)計算非分裂屬性和分裂屬性的信息熵和分裂屬性的信息增益值，并對信息熵和信息增益值進行排序；

(5)選擇信息增益最大的分裂屬性為節點構建影響因素決策樹，從而確定分裂屬性是否為非分裂屬性的影響因素，若分裂屬性是非分裂屬性的影響因素在決策樹中標記為“Yes”“因素”，反之則標記為“No”“因素”；

(6)通過公式(5)計算分裂屬性，通過公式(6)計算非分裂屬性的權重值，獲取苯乙烯設備選型規則：

假設有n個分裂屬性，則分裂屬性ω_pi(i＝1,2,...,n)的計算公式為：