證據(jù)理論在知識約簡中的研究與應用.pdf

1、證據(jù)理論能夠在不知道先驗概率的情況下，直接表達“Uncertainty”和“Un kn o wn”的能力，從而對不確定信息的表達和合成給出了一種很好的借鑒方法。雖然在證據(jù)完全沖突或高度沖突時，D-S合成規(guī)則就會失效或者融合結果出現(xiàn)不合常理的情況，但是經過國內外學者多年的研究與改進，該理論已經日趨完善。目前，它已被廣泛的應用到人工智能領域。知識約簡是粗糙集理論的核心內容之一，數(shù)據(jù)降維和特征提取是其主要的應用范圍，在智能信息處理中有著舉足輕

2、重的地位。知識約簡就是既要保持原有分類能力不變，同時還要刪減冗余的屬性。然而，求解決策表的最小約簡是NP-hard問題。為此，通常采用啟發(fā)式的方法進行知識約簡。在啟發(fā)式的方法中，研究比較深入的就是基于屬性重要度的知識約簡。但是，對于屬性重要性的度量沒有統(tǒng)一的標準，每種方法都旨在快速找到一種局部最小約簡。因此，研究基于屬性重要度的知識約簡也是相當有必要的。
　　本文將證據(jù)理論運用到粗糙集理論中，旨在提供一種基于證據(jù)理論的知識約簡啟發(fā)

3、式算法。首先，提出一種新的證據(jù)合成方法，克服了D-S合成規(guī)則的不足；其次，利用粗糙集等價劃分的概念給出屬性的信息熵，并由此定義每個屬性的熵值重要性；然后，基于屬性的熵值重要性給出屬性的概率分配值，引入二分ma ss函數(shù)對每個屬性建立一個證據(jù)函數(shù)；接著，利用新的證據(jù)合成方法融合以上證據(jù)，并通過Pignistic概率轉換得到每個屬性的證據(jù)重要性；最后，通過屬性的熵值重要性得到核，并以核為起點，對核以外的屬性依照證據(jù)重要性進行排序，由大到小依