[發(fā)明專利]基于人工魚(yú)群與蛙群混合算法的粗糙集屬性約簡(jiǎn)的強(qiáng)對(duì)流天氣判別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811624364.1
• 申請(qǐng)日: 2018-12-28
• 公開(kāi)（公告）號(hào): CN109816087B
• 公開(kāi)（公告）日: 2021-10-12
• 發(fā)明（設(shè)計(jì)）人: 路志英;王晨亦;郭建林
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06N3/00
• 分類號(hào): G06N3/00;G06F16/2458
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 劉國(guó)威

本發(fā)明屬于數(shù)據(jù)挖掘，粗糙集，群體智能領(lǐng)域，為有效提升運(yùn)行效率和后期的收斂速度和搜索精度，實(shí)現(xiàn)粗糟集屬性約簡(jiǎn)，本發(fā)明，基于人工魚(yú)群與蛙群混合算法的粗糙集屬性約簡(jiǎn)方法，步驟如下：步驟1)使用粗糙集理論中的概念求得決策系統(tǒng)的核屬性，并計(jì)算其相應(yīng)的屬性依賴度；步驟2)決策系統(tǒng)中的條件屬性除核屬性外，均使用人工魚(yú)群算法進(jìn)行屬性約簡(jiǎn)的前期尋優(yōu)；步驟3取其前1/2最優(yōu)種群切換至蛙跳算法；步驟4)將整個(gè)蛙群分成多個(gè)子群，在每個(gè)子群中最差位置根據(jù)與最優(yōu)位置之間的漢明距離完成位置更新，所有子群更新結(jié)束后，將各子群中的青蛙混合在一起重新排序分組，直至得到最小屬性約簡(jiǎn)集。本發(fā)明主要應(yīng)用于人工智能場(chǎng)合。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘，粗糙集，群體智能領(lǐng)域，具體涉及一種基于人工魚(yú)群與蛙群混合算法的粗糙集屬性約簡(jiǎn)方法。

背景技術(shù)

粗糙集理論是由波蘭科學(xué)家Pawlak于1982年提出的數(shù)據(jù)分析處理理論。它能夠?qū)Σ煌暾摹⒉痪_的信息進(jìn)行處理，從而發(fā)掘數(shù)據(jù)中的有用信息和知識(shí)。目前，粗糙集理論廣泛應(yīng)用于越來(lái)越多的行業(yè)和領(lǐng)域，包括機(jī)器學(xué)習(xí)、醫(yī)學(xué)診斷、交通運(yùn)輸、環(huán)境科學(xué)等。

屬性約簡(jiǎn)，也被稱為特征選擇，是重要的數(shù)據(jù)預(yù)處理技術(shù)。在信息系統(tǒng)中，有些屬性是必要的，而有些屬性是冗余或者有噪聲的。這些屬性不僅會(huì)占用額外的計(jì)算資源，而且會(huì)影響分類準(zhǔn)確性。而屬性約簡(jiǎn)可以在保持信息系統(tǒng)決策能力不變的前提下將無(wú)用信息移除。在機(jī)器學(xué)習(xí)過(guò)程中，屬性約簡(jiǎn)成為一種降低數(shù)據(jù)計(jì)算成本的重要方法。粗糙集理論有著不需要附加條件、不需要參數(shù)設(shè)置等優(yōu)點(diǎn)，因而通過(guò)粗糙集進(jìn)行屬性約簡(jiǎn)成為了研究熱門(mén)。

假設(shè)屬性集中的屬性個(gè)數(shù)為m，則屬性約簡(jiǎn)的目標(biāo)是在2^m-1個(gè)候選集中找到最優(yōu)屬性子集。目前國(guó)內(nèi)外有多個(gè)屬性約簡(jiǎn)方法，主要的方法有三種：一是基于可辨識(shí)矩陣的屬性約簡(jiǎn)算法；二是代數(shù)觀，即基于正域的屬性約簡(jiǎn)算法；三是信息觀，即基于啟發(fā)式信息的屬性約簡(jiǎn)算法。可辨識(shí)矩陣最早是由Skowron教授提出，其主要思想是：在可分辨矩陣的基礎(chǔ)上構(gòu)造可分辨函數(shù)，利用邏輯運(yùn)算轉(zhuǎn)換求得所有約簡(jiǎn)。但是由于邏輯運(yùn)算的復(fù)雜性，這種方法只適合小型的數(shù)據(jù)集系統(tǒng)。基于正域的屬性約簡(jiǎn)方法則主要集中于貪心算法。貪心算法也被稱為登山算法，在空集或者屬性核的基礎(chǔ)上逐個(gè)增加屬性，通過(guò)正域的變化來(lái)尋找屬性約簡(jiǎn)。這種方法的缺點(diǎn)是容易陷入局部最優(yōu)解。啟發(fā)式信息的屬性約簡(jiǎn)算法包括基于屬性重要度的、基于屬性依賴度的、基于屬性頻率的方法等。同樣的，只依靠這些信息也會(huì)陷入到局部最優(yōu)解中。

群體智能算法受啟發(fā)于自然中的種群概念，通過(guò)自上而下的尋優(yōu)模式從構(gòu)造個(gè)體的底層行為開(kāi)始，通過(guò)種群中各個(gè)體的局部尋優(yōu)，達(dá)到全局最優(yōu)值在群體中凸顯出來(lái)的目的。目前此算法已成功應(yīng)用于NP-難問(wèn)題比如二次分配問(wèn)題、旅行商問(wèn)題中。最小屬性約簡(jiǎn)問(wèn)題同樣也被證明為NP-難問(wèn)題，因此研究者將群體智能算法應(yīng)用于屬性約簡(jiǎn)中，并取得了一定的研究成果。例如，把屬性抽象為節(jié)點(diǎn)，通過(guò)蟻群算法搜索獲取節(jié)點(diǎn)的多種組合從而得到屬性約簡(jiǎn)；將蜂群算法與粗糙集理論相結(jié)合，使蜜蜂群覓食行為的機(jī)理應(yīng)用于屬性約簡(jiǎn)問(wèn)題。這些群體啟發(fā)式約簡(jiǎn)算法取得了較好的效果，但在實(shí)際計(jì)算中獲得最小屬性約簡(jiǎn)的概率依舊偏低，求解質(zhì)量有待進(jìn)一步提高。

發(fā)明內(nèi)容

為克服現(xiàn)有技術(shù)的不足，本發(fā)明旨在提出一種基于人工魚(yú)群與蛙跳的混合算法用于屬性約簡(jiǎn)，可以有效提升運(yùn)行效率和后期的收斂速度和搜索精度，實(shí)現(xiàn)粗糟集屬性約簡(jiǎn)。為此，本發(fā)明采用的技術(shù)方案是，基于人工魚(yú)群與蛙群混合算法的粗糙集屬性約簡(jiǎn)方法，步驟如下：

步驟1)使用粗糙集理論中的概念求得決策系統(tǒng)的核屬性，并計(jì)算其相應(yīng)的屬性依賴度；

步驟2)決策系統(tǒng)中的條件屬性除核屬性外，均使用人工魚(yú)群算法進(jìn)行屬性約簡(jiǎn)的前期尋優(yōu)，魚(yú)群按照網(wǎng)格化方法進(jìn)行初始化，每條人工魚(yú)進(jìn)行覓食、聚群、追尾行為更新自己的位置與對(duì)應(yīng)的適應(yīng)度函數(shù)值，同時(shí)公告板記錄魚(yú)群最大適應(yīng)度函數(shù)值與對(duì)應(yīng)魚(yú)的位置；

步驟3)魚(yú)群進(jìn)行多次迭代后適應(yīng)度沒(méi)有改變或變化極小時(shí)，將產(chǎn)生的輸出結(jié)果按適應(yīng)度值排序，取其前1/2最優(yōu)種群切換至蛙跳算法；