[发明专利]一种群决策投票型隶属函数及基于其的模式分类方法

说明书

本发明公开了一种群决策投票型隶属函数及基于其的模式分类方法，在指定的自然语言描述符下，对数据对象论域施加任意指定的隶属函数得到准隶属度论域；选择评价标准集对准隶属度进行投票评价决策；计算评价标准的评价有效度和评价基数；计算准隶属度对应的隶属函数值；绘制准隶属度论域上的群决策投票型隶属函数图像；根据评价标准对准隶属度的投票评价结果构建下逼近集、上逼近集和无关集，分别形成一致相关类别、部分相关类别和不相关类别；结合隶属函数图像和给定的水平阈值线，将准隶属度论域细分为多种模式；本发明提出了反应群体共识与个性理解的隶属函数，提高了模式分类的准确性。

技术领域

本发明涉及一种模式分类方法，具体是一种群决策投票型隶属函数及基于其的模式分类方法，属于模式分类技术领域。

背景技术

目前，模式分类多采用统计方法、随机过程等参数化或非参数化技术进行，人工智能、机器学习、支持向量机、神经网络等数据处理技术不断引入，使模式分类能力在分类粒度和精度上获得较大的提升，但是这些方法仅适用于大数据样本，对于小数据样本显得力不从心，且计算较为复杂，快速性得不到保证。

虽然借助传统的模糊集合思想也可以实现小样本的快速模式分类，但决定分类粒度与精度的隶属度函数往往通过统计方法或专家经验得到，并不能适应不同背景条件与不同对象特征的模式分类，并不能反应出对同一对象群体共识与个体理解的差异，而粗糙集通过等价类实现了信息单元相对精细的划分，但等价关系寻找并不容易，致使对上逼近集的等价划分很难实现。

群决策和投票模型较好反应了人们对同一对象的共性认识与个性理解，通过投票与决策可以实现较细粒度的信息辨识，但还没有应用群决策投票模型构建反应群体共识与个体认识的隶属函数，更没有通过群决策投票型隶属函数实现粗糙上逼近集合中对象的模式分类。

发明内容

针对上述现有方法存在的问题，本发明目的之一是提供一种群决策投票型隶属函数构建方法，通过定义与投票主体“人”相对应的评价标准集，给出准隶属度集，并使用评价标准集分别对每个准隶属度进行投票评价，得到反应群体共识与个体认识差异的隶属函数。

一种群决策投票型隶属函数构建方法，包括以下步骤：

1)给定数据对象论域和自然语言描述符集，对数据对象论域施加任意指定的隶属函数得到准隶属度论域；

2)选择与评价主体“人”相对应的评价标准集，其中每个评价标准均可对“准隶属度论域中元素是否与自然语言描述符相吻合”做出“是”或“否”投票评价决策；

3)使用评价标准集中的标准对准隶属度论域中的元素进行投票评价决策，判断准隶属度论域中的每个准隶属度值是否与自然语言描述符相吻合，若吻合，投赞成票，若不吻合，投反对票；

4)计算评价标准集中所有评价标准的评价有效度，并将其中所有标准的评价有效度累加起来，得到评价基数；

5)在指定的自然语言符下，筛选对某个准隶属度投了赞成票的评价标准，并用这些评价标准的评价有效度累加和除以评价基数，得到与该准隶属度相对应的群决策投票型隶属函数值；

6)采用步骤(5)的方法求出准隶属度论域中所有准隶属度值对应的群决策投票型隶属函数值，并按准隶属度从小到大的顺序将求得的群决策隶属型函数值标注到坐标系中，然后将坐标系中的点从左到右依次连接起来，形成整个准隶属度论域上的群决策投票型隶属函数图像。

作为可能的一种实现方式，步骤(4)中评价有效度定义为：

其中，ρ_j表示评价标准集中第j个标准对应的评价有效度，t表示评价标准对准隶属度的总评价次数，h表示评价标准对准隶属度的正确评价次数。

作为可能的一种实现方式，步骤(4)中评价基数定义为：