[发明专利]基于粗糙集理论与规则相结合的智能家居数据补全方法

权利要求书

1.基于粗糙集理论与规则相结合的智能家居数据补全方法，其特征是，包括步骤如下：

步骤1：获取各个时间点上智能家居所有传感器的传感器数据，形成智能家居数据集；

步骤2：将步骤1所获取的智能家居数据集中的所有智能家居数据进行模糊化处理，得到模糊化的智能家居数据集；

步骤3、将步骤2所得的模糊化的智能家居数据集中的模糊化的智能家居数据进行划分，其中所有传感器数据均完整的模糊化的智能家居数据划分到完整智能家居数据集中，将任一传感器数据存在缺失的模糊化的智能家居数据划分到缺失智能家居数据集中；

步骤4、将步骤3所得的完整数据集中的每一条完整智能家居数据进行重构，得到重构后的完整智能家居数据集；在对每一条完整智能家居数据进行重构时，依次将每个传感器作为决策属性，其他传感器作为条件属性，由此得到n条重构后的完整智能家居数据；其中n为智能家居中传感器的数量；

步骤5、利用步骤4所得的重构后的完整智能家居数据集去构建规则集；即对于每一条重构后的完整智能家居数据，将其决策属性作为规则的头部：并利用信息熵和粗糙集理论对该决策属性所对应的条件属性进行冗余条件属性删除后，将剩余的条件属性作为规则的体部，由此得到一条规则；

步骤6、基于回答集编程语言，利用步骤5所得的规则集中的规则对步骤3所得的缺失智能家居数据集的缺失智能家居数据进行补全；在补全的过程中，将每一条缺失智能家居数据作为待补全内容输入到DLV求解器中；将该条缺失智能家居数据中缺失数据的传感器作为缺失属性，并将步骤5所得的规则集中以该缺失属性作为决策属性的所有规则输入DLV求解器中；DLV求解器基于回答集编程语言进行规则与待补全内容的匹配，预测得到相应的缺失数据。

2.根据权利要求1所述的基于粗糙集理论与规则相结合的智能家居数据补全方法，其特征是，步骤5中，利用信息熵和粗糙集理论对该决策属性D所对应的条件属性进行冗余条件属性删除的具体过程如下：

步骤5.1.计算当前决策属性D相对于的条件属性集合C的条件信息熵H(D|C)；其中条件属性集合C包含该当前决策属性D的所有条件属性；

步骤5.2、从条件属性集合C中依次去掉条件属性r_i，得到新的条件属性集合C-{r_i}，并计算当前决策属性D相对于新的条件属性集合C-{r_i}的条件信息熵H(D|C-{r_i})；

步骤5.3、将步骤5.2所得的条件信息熵H(D|C-{r_i})与步骤5.1所得的条件信息熵H(D|C)进行比较：如果H(D|C-{r_i})＞H(D|C)，则当前条件属性r_i即为当前决策属性D的核条件属性，并形成核条件属性集合P；否则，该条件属性r_i即为当前决策属性D的非核条件属性，并形成非核条件属性集合Q；

步骤5.4、计算当前决策属性D相对于核条件属性集合P的条件信息熵H(D|P)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果H(D|P)＝H(D|C)，则将所有核条件属性归入约简条件属性集合C₀中；否则执行步骤5.5；

步骤5.5、计算非核条件属性b_j的属性重要度SGF(b_j,P,D)：

SGF(b_j,P,D)＝H(D|C)-H(D|P∪b_j)

其中，H(D|P)表示当前决策属性D相对于核条件属性集合P的条件信息熵；H(D|P∪b_j)表示当前决策属性D相对于核条件属性集合P与非核条件属性b_j并集的条件信息熵；

步骤5.6、将属性重要度SGF(b_j,P,D)最大的非核条件属性归入到约简条件属性集合C₀中，并将属性重要度SGF(b_j,P,D)最大的非核条件属性和属性重要度SGF(b_j,P,D)为0的非核条件属性从非核条件属性集合Q中删除；

步骤5.7、计算当前决策属性D相对于约简条件属性集合C₀的条件信息熵H(D|C₀)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果H(D|C₀)＝H(D|C)，则转至步骤5.8；否则，转至步骤5.6；

步骤5.8、保留约简条件属性集合C₀中的条件属性，并将其他条件属性作为决策属性D的冗余条件属性删除；

上述i＝1,2,…,M，M为条件属性集合C中条件属性的个数；j＝1,2,…,L，L为条核条件属性集合P中核条件属性的个数。