粗糙集 遗传matlab,一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法...

一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法

【专利摘要】本发明公开了一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法，该基于遗传算法和粗糙集完成了粗糙集属性约简方法通过设定合适的适应度函数，扩大了基于遗传算法和粗糙集的属性约简方法的适用范围，且能够快速有效地获取决策表中属性集中的关键性指标，本发明的精神状态评估方法在进行精神状态评估时，先基于遗传算法和粗糙集的属性约简方法提取决策表中属性集中的关键性指标，在根据提取结果构建并训练贝叶斯网络，得到分类模型，用于进行精神状态评估。大大提高了精神状态评估的效率，且准确性好，易于实施，对数据具有广泛的适应性。

【专利说明】一种基于遗传算法和粗糙集的属性约简方法及精神状态评 估方法

【技术领域】

[0001] 本发明涉及分类预测【技术领域】，具体涉及一种基于遗传算法和粗糙集的属性约简 方法及精神状态评估方法。

【背景技术】

[0002] 决策支持系统是辅助决策者通过数据、模型和知识，以人机交互方式进行决策的 计算机应用系统。在计算机辅助决策过程中，常会遇到数据的属性过多的问题，其中部分属 性与对决策不重要或与决策无关，一方面，获取这些属性会浪费人力和物力，另一方面，当 这些冗余属性数据量较大时，还会影响决策的效率和准确性。为提高决策效率，可删除这些 冗余属性，删除这些冗余属性即为属性约简

[0003] 粗糙集(Rough Set)理论作为一种属性约简方法，也越来越被广泛地使用。但现 存的粗糙集的属性约简算法有的存在"组合爆炸"，很难在属性数量较大时得到具体实施， 有的算法只是局部寻优，达不到全局最佳约简。

[0004] 基于遗传算法的粗糙集属性约简方法通过模拟生物在自然环境中的遗传和进化 过程，基于逐次迭代法进行搜索、寻优，得到属性约简。具体过程如下：

[0005] 首先根据决策表生成初始解空间(即初始种群)，再根据适应度函数计算初始种 群中各个染色体的适应度，从初始种群开始，根据各个染色体的适应度进行遗传操作(包 括选择、交叉和变异操作)，生成新的种群，再对新种群重新计算每个染色体的适应度和进 行遗传操作，反复循环，直到找到满足条件的种群为止，将最终得到的种群中适应度最大的 染色体输出，并将该染色体解码作为属性约简结果。

[0006]从遗传算法流程可以看出，适应度函数直接关系到最终得到的约简结果的准确性 以及该约简结果中包括的属性的个数，进而影响到得到的约简结果的决策能力。现有遗传 算法中采用的适应度函数F(x)通常如下：

[0007]

【权利要求】

1. 一种基于遗传算法和粗糙集的属性约简方法，其特征在于，包括： (1) 求决策表的属性核，基于得到的属性核初始化得到初始种群； (2) 根据适应度函数计算初始种群中每条染色体的适应度，所述的适应度函数F(x) 为： Frv^ = λ ν Λ _ card(X)\ carcl(POSx(D)) L」 V ca.rd(C)j 十 cardpilSc^Z)))， 其中，C为条件属性集，D称为决策属性集，card (*)表示集合*中包含的元素的个数， P〇Sx(D)表示染色体X的正域，POSe(D)为决策属性集D对条件属性集C的正域，λ为第一 修正因子，ε为第二修正因子，且： λ = card(P05c(D)) ' ￡ = 1 - λ; (3) 根据各个染色体的适应度对初始种群进行遗传操作生成新的种群，反复对生成的 种群中的每条染色体计算适应度和遗传操作，直至满足终止条件后停止，并以最后一次遗 传操作得到的种群作为最终种群； (4) 根据最终种群中适应度最大的染色体得到属性约简结果。

2. 如权利要求1所述的基于遗传算法和粗糙集的属性约简方法，其特征在于，所述步 骤(1)中根据属性依赖关系求决策表的属性核。

3. 如权利要求1所述的基于遗传算法和粗糙集的属性约简方法，其特征在于，所述初 始种群的大小为1〇〇?200。

4. 如权利要求1所述的基于遗传算法和粗糙集的属性约简方法，其特征在于，所述的 遗传操作包括： (3-1)根据各个染色体的适应度采用轮盘赌法则进行选择； (3-2)采用单点交叉规则对选择得到的染色体进行变异； (3-3)根据启发式变异法对初始种群进行变异操作，且变异时保证属性核对应的基因 位不变。

5. 如权利要求1所述的基于遗传算法和粗糙集的属性约简方法，其特征在于，所述的 终止条件为连续若干次遗传操作得到的种群中各个染色体的平均适应度不变，或遗传操作 的次数达到设定的阈值。

6. -种基于如权利要求1?5中任意一项权利要求所述的属性约简方法的精神状态评 估方法，其特征在于，包括： 51 :采用粗糙集原理根据若干个训练样本构建决策表，其中以训练样本的测试项目作 为条件属性集，把训练样本的精神状态测试结果按照精神状态评估标准转化为相应的精神 状态级别，并以所有精神状态级别作为决策属性集； 52 :基于遗传算法和粗糙集的属性约简方法对所述的条件属性集进行属性约简，提取 用于进行精神状态评估的关键性指标； 53 :根据所述的关键性指标构建贝叶斯网络，并根据所述的关键性指标简化各个训练 样本，并以所有简化后的训练样本作为训练样本集，对所述的贝叶斯网络进行训练，得到分 类预测模型； 54 :获取待评估样本中关键性指标的测试数据作为测试样本，并利用所述的分类预测 模型对测试样本进行预测，获取评估样本的精神状态等级。

7. 如权利要求6所述的基于遗传算法和粗糙集的精神状态评估方法，其特征在于，所 述步骤S1在构建决策表时，根据各个测试项目的测试数据的取值范围，对测试数据进行离 散化处理。

8. 如权利要求7所述的基于遗传算法和粗糙集的精神状态评估方法，其特征在于，所 述步骤S3中删除训练样本中除关键性指标外的各个测试项目的测试数据，完成对各个训 练样本的简化。

【文档编号】G06F19/00GK104298873SQ201410530885

【公开日】2015年1月21日 申请日期:2014年10月10日 优先权日:2014年10月10日

【发明者】段会龙, 吕旭东, 尹梓名 申请人:浙江大学