[发明专利]基于面向属性语言概念格的多重多维语言推理方法

权利要求书

1.一种基于面向属性语言概念格的多重多维推理方法，其特征在于按照步骤如下：

步骤1：数据采集与预处理

设定表示对象与属性间语言值关系的语言术语集S＝{s_l|l＝0,1,…,g}，g为偶数，且有如下的序关系s₀s₁...s_g-1s_g,构成语言形式背景(U,A,S)，所述对象U＝{x_i|i＝1,2,…,n}，属性A＝{a_j|j＝1,2,…,m}，即S(x_i,a_j)＝s_l；

步骤2：构造面向属性语言概念格

基于语言形式背景(U,A,S)，设A_S为语言术语集S定义在属性集A上的语言值集，对于对象子集与属性上的语言值子集定义算子：

构造面向属性语言概念及面向属性语言概念格；

步骤3：获取面向属性语言概念格上的语言决策规则

步骤3.1通过面向属性语言决策概念获取语言决策规则：加入决策属性，

将语言形式背景(U,A,S)扩展为语言决策形式背景(U,A,S,C,K)，其中，C＝{c}为决策属性集，K为U与C之间的语言关系，即设C_K为语言术语集K定义在决策属性集C上的语言值集，对于对象子集与决策属性C上的语言值子集定义算子：

构造面向属性语言决策概念与面向属性语言决策概念格，由面向属性语言决策概念(X,B,D)获得对象不为空集条件下的语言决策规则B→D，将所有的语言决策规则都记入Ω(U)中；

步骤3.2获取扩展规则：对于效益型的一致规则，即条件属性所对的语言值越大，决策属性值所对的语言值也越大的规则，若出现以下的规则前件，则通过规则前件间的优势关系更新更多的语言决策规则如下：

1)当则该规则的后件对应的语言决策结果为

2)当且则该规则的后件对应的语言决策结果为

3)当则该规则的后件对应的语言决策结果为

其中，是后件为的前件，是后件为的最小前件，是后件为的最大前件，且即若某规则前件大于或等于后件为的规则前件，则该规则对应的后件也为若某规则前件处在后件为的最大前件与最小前件之间，则该规则对应的后件为若某规则前件小于或等于后件为的规则前件，则该规则对应的后件也为

对于前件中语言不可比的情况，则选取几个最大值与最小值，分别按照步骤3.2的方法提取语言决策规则；

步骤3.3剔除大数据背景下的不合理规则：将面向属性语言决策概念与扩展规则获取的所有规则与语言决策形式背景下的原始规则对比，若该规则前件大于原始规则，而后件却小，则视为不合理规则，剔除；若该规则后件小于原始规则，而后件却大，视为不合理规则，剔除；更新规则计入Ω(U)中；

步骤4.构建多重多维语言推理模型，对已知条件进行推理

步骤4.1对于结果未知的已知事实，利用已知的面向属性语言决策规则建立多重多维语言推理模型：

其中B₁₁,B₁₂,...,B_1m,B₂₁,B₂₂,...,B_2m,...,B_v1,B_v2,...,B_vm是描述前件中条件属性的语言值，D₁,D₂,...,D_v是描述后件中决策属性的语言值，是输入的条件属性所对应的语言值，D^*是输出的决策属性所对应的语言值；

步骤4.2利用神经网络进行推理

将所述多重多维语言推理模型中的v个语言决策规则输入到BP神经网络中，通过反向误差传播，不断地修正各条件属性以及对应各节点的权重大小，利用梯度下降法使误差值最小，最后输入已知事实通过神经网络输出D^*对应的语言值，针对不同条件输出不同的预测结果。