[发明专利]一种在非确定性和非完整性条件下的决策支持系统方法

说明书

本发明通过整合分层规则结构和前向/逆向规则插值提出了一种分层双向模糊推理机制，本发明采用的技术方案对于所涉及的每一个给定数量的不一致规则，在所有数据集上的准确度都要比T‑FRI方法的准确度高。当规则库只包含不一致规则时，HB‑FRI相对于T‑FRI获得的改进显著，在插值推理中具有修正不一致规则的潜力。不一致规则的比例越高，与标准T‑FRI相比本发明使用所提出的HB‑FRI获得的增益越好，在处理稀疏且不一致规则的预测问题方面具有较高的准确性和有效性。

技术领域

本发明涉及决策支持领域具体涉及一种在非确定性和非完整性条件下的决策支持系 统方法。

背景技术

众所周知，不确定性实际存在于所有需要只能决策的复杂情况中。基于模糊逻辑的近 似推理为处理决策支持中不确定性和不确定性管理提供了一中实用的方法。例如，一种基 于模糊逻辑的专家系统已被开发用来诊断如肺炎和黄疸等常见疾病，该专家系统能将已确 定的疾病作为给定观察者症状的输出返回。同样在医疗决策支持方面，已经有许多混合系 统通过集成模糊逻辑和其他计算智能机制来工作。它们包括：一种治疗糖尿病和心脏病的 模糊神经网络方法；一种有助于结核病诊断的自适应神经粗糙推理系统；和一种基于区间 值模糊规则的进行心血管疾病的诊断的分类工具。所有这些工作共同证明了基于模糊规则 的决策系统的成功。

然而，“维数诅咒”，即执行近似推理所需的规则数目随输入特征的数目呈指数增长， 对许多自动决策系统，包括基于模糊逻辑的系统造成了巨大挑战。这是因为对于一个包含 K个变量的模糊规则模型，每个变量被划分为M个模糊值，在传统规则库中所需规则数量 的顺序是O(M^K)。为解决这个难题的努力导致了分层模糊系统的发展。一个典型分层模糊 系统的规则数量如图1所示，仅仅随着输入变量的增加而线性增加，如果K输入分层模糊系统包含K-1低维模糊系统，每个子系统只取两个输入。在这种情况下，给定每个变量M 个模糊集，总的规则数可能为(k-1)M²，它是一个输入变量数目的线性函数。

发明内容

本发明解决的技术问题是：现有技术处理稀疏且不一致规则的预测问题方面有效性较 低。

本发明提供一种决策支持系统方法,包括以下步骤，

采用以下公式构建正向模糊规则插值过程：

其中，f_FRI表示由M个观察到的特征值表示插值推理的过程，表示特征值，R_i，R_t表示规则，B^*表示插值结果；

采用以下公式计算未知的先行特征值:

f_B-FRI表示B-FRI的过程；

利用B-FRI实现不一致规则库的统一。

进一步的，所述利用B-FRI实现不一致规则库的统一步骤具体包括，

使用B-FRI分别从R_i或R'_i逆向插值每个前件特征值A_k或A'_k，计算每个前件值A_k或A'_k与其 相对应的观测值之间的偏差，计算两个不一致规则中的每一个的平均偏差，根据所 产生的偏差，纠正结果，A_k，分别表示特征值，R_i和R'_i分别表示规则。

进一步的，所述利用B-FRI实现不一致规则库的统一步骤具体包括，

采用x_k(k＝1,2,...,M)表示输入变量的维度空间，具体步骤如下：

第一步：使用B-FRI从R_i和分别反向计算每一个前件值和