[发明专利]基于NSGA-Ⅱ优化改进的模糊分类模型构造方法

说明书

技术领域

本发明属于数据挖掘和人工智能的技术领域，涉及一种模糊分类模型构造方法，尤其是一种基于第二代非支配排序遗传算法（Non-dominated sorting genetic algorithm Ⅱ, NSGA-Ⅱ）优化改进的模糊分类模型构造方法。

背景技术

模糊分类模型的知识表达形式和推理机制符合人类思维习惯，其结构和模糊集合隶属函数参数具有明显的物理意义。人们可通过易于理解的模糊规则洞察分类模型的内部运行机理，即解释性是模糊分类模型最显著的特征，尤其在医学、金融等领域，解释性甚至成为构建分类模型时的首要目标。

随着分类问题维数和复杂性的提高，利用传统的方法构造模糊分类模型主要存在

以下几个问题而使模型不具备解释性：1)特征变量的维数存在冗余；2)模糊规则数比实际需要的多；3)模糊规则前件数比实际需要的多；4)模糊集合的数量与参数设计不合理。为克服以上问题，诸多学者对在保证系统精确性时如何提高模型的解释性进行了相关研究。“J. Pan, D. Westwick, E. Nowicki. Flux estimation of induction machines with the linear parameter-varing system identification method [C]. Canadian Conference on Electrical and Computer, Engineering. 2004” 利用决策树初始化模糊模型，采用模糊集合相似性度量和相似性奖励遗传算法对模型进行迭代简化，最后利用相似性惩罚遗传算法整体优化模型，但惩罚因子需预先给定。“A. Gonzalez, R. Perez. Selection of relevant features in a fuzzy genetic learning algorithm. IEEE Transactions on Systems, Man and Cybernetics. 2001(31): 417-425” 将二进制编码的遗传算法用于分类模型中输入变量的选择和规则的优化，但是未涉及规则前件的优化。“F. Berlanga, M. Jesus, F. Herrera. Learning fuzzy rules using genetic programming: context-free grammar definition for high-dimensionality problems. Proceedings of the I Workshop on Genetic Fuzzy Systems. 2005: 136-141”和“F. Berlanga, M. Jesus, F. Herrera. GP-COACH: genetic programming-based learning of compact and accurate fuzzy rule-based classification systems for high-dimensional problems. Information Sciences. 2010(180): 1183-1200” 将析取泛式用于分类模型规则库的遗传优化中，减少了模糊规则数，但是规则前件数仍较多。

上述技术均对模糊分类模型进行了优化，不同程度地提高了模型的解释性，但是特征变量、模糊规则及其前件冗余的情况仍然存在。

发明内容

本发明的目的在于提供一种基于NSGA-Ⅱ优化改进的模糊分类模型构造方法，减少特征变量、模糊规则及其前件的冗余，提高模糊分类模型的解释性。首先通过C4.5算法构造初始决策树，实现对特征变量和模糊集合数的选择；然后利用三角隶属函数将决策树转化为初始模糊分类模型；最后基于NSGA-Ⅱ优化模糊分类模型，同时通过对模糊规则及其前件的选择来删除模糊规则中的冗余，从而提高了模糊分类模型的精确性和解释性。

实现本发明目的的技术解决方案为：一种基于NSGA-Ⅱ优化改进的模糊分类模型构造方法，包括以下步骤：

步骤一、构造初始模糊分类模型

根据样本输入输出数据，利用C4.5算法构造初始分类决策树，采用三角形隶属函数将初始分类决策树转化为初始模糊分类模型；

步骤二、设定进化参数

给定所需的种群规模L、最大迭代次数MAXTER、当前迭代次数t、交叉率pc、变异率pm；

步骤三、产生初始代种群