[发明专利]一种基于知识粒度的矩阵增量约简方法

说明书

技术领域

本发明涉及人工智能中粒计算和粗糙集理论的技术领域，具体涉及一种基于知识粒度的矩阵增量约简方法。

背景技术

目前随着存储技术的不断发展和广泛应用，实际应用中的信息系统不仅积累了海量的、各种各样的数据，而且这些实时数据每时每刻都会发生变化，用传统批量学习的知识获取方法对复杂数据进行挖掘，需要耗费大量的时间，这使得批量学习算法将很难及时、高效地从动态数据中提取有用的信息及知识。增量学习是一个能够不断从来自环境的新样本中学习到新的知识，并能保留大部分以前已有知识的学习系统。通过使用增量学习技术，可以渐进地进行知识更新，修正和加强以前的知识，而不必重新学习全部数据，这在一定程度更能适应实际需求。

由于经典的知识粒度约简方法是利用集合交与并的方式来实现，计算和表示形式都比较复杂，矩阵理论是一门具有实用价值的数学理论，它是处理大量有限维空间方式与数量关系的强有力工具，已广泛应用于科学研究和工程应用等领域，用矩阵方法解决粗糙集属性约简问题具有重要应用价值。本发明基于知识粒度的矩阵增量约简方法，只涉及到矩阵运算，通过等价关系矩阵的加减计算决策表的知识粒度、决策表的核、条件属性的内部和外部重要性等，由于现有大部分软件工具(如MATLAB等)支持矩阵运算，故本发明提出的基于知识粒度的矩阵增量约简方法可以借助已有工具易于实现。

发明内容

鉴于现有的实时数据每时每刻都会发生变化，传统批量学习的知识获取方法需要耗费大量的时间，很难及时、高效地从动态数据中提取有用的信息，本发明的目的是运用矩阵运算操作简单的优势，有效地解决决策表中对象动态增加时，充分利用旧决策表已经得到的结果，快速求解最小属性约简的问题，避免重复计算，提高约简效率。

本发明的目的是通过如下手段实现：

一种基于知识粒度的矩阵增量约简方法，利用旧决策表计算约简的过程中已经得到的结果—包括旧决策表的知识粒度、属性外部重要性及最小属性约简来计算新决策表的知识粒度、外部重要性及最小属性约简，避免重复计算，具 体包括如下步骤：

步骤1：输入旧决策表及其最小属性约简RED_U、C-RED_U中每个属性a相对于RED_U的外部重要性知识粒度GP_U(D|C)、RED_U的知识粒度GP_U(D|RED_U)和增量数据集U_X＝{x_n+1，x_n+2，…，x_n+t}；

步骤2：计算增加对象后新决策表的等价关系矩阵

步骤3：在旧决策表知识粒度GP_U(D|C)和最小属性约简GP_U(D|RED_U)基础上，利用增量方法计算新决策表知识粒度和RED_U的知识粒度如果 则跳转到步骤5，否则跳转到步骤4；

步骤4：当在旧决策表属性子集C-RED_U中每个属性a相对于RED_U的外部重要性基础上，通过增量方法计算新决策表属性子集C-RED_U中每个属性a相对于RED_U的外部重要性依次循环选取最大的属性重要性添加到RED_U中，即RED_U←RED_U∪{a₀}，计算增加a₀后RED_U的知识粒度直到其与新决策表的知识粒度相等为止；