资源描述：
《不确定信息的模糊决策融合算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第25卷第7期东北大学学报(自然科学版)Vol25,No.72004年7月JournalofNortheasternUniversity(NaturalScience)Jul.2004文章编号:10053026(2004)07065704不确定信息的模糊决策融合算法张晓丹,赵海,王刚,魏守智(东北大学信息科学与工程学院,辽宁沈阳110004)摘要:针对不确定性问题,提出了一种新的基于知识发现的信息融合的方法利用模糊决策树的ID3算法对测试空间中的大量不确定多源信息数据进行综合分析、处理,建立准确的评估模型,提取隐含其中的规则,最终获取
2、新的知识此方法已成功应用于吉林丰满水电数字仿真系统中的考核系统实验证明,这种知识提取方法充分体现了信息融合中解决多源信息数据的思想,能很好地解决系统中数据存在的无序、不确定问题,并能有效地提取出规则关键词:信息融合;决策树;模糊ID3算法;水电仿真;考核系统中图分类号:TP391文献标识码:A对知识的提取是一个对提供数据进行评估的信息进行离散、模糊处理,经过模糊ID3决策树过程以往仅是对单一信源数据进行处理并获得算法进行建模、修剪等步骤提取出模糊规则评估的结果,这样做的最大缺点是评估结果不客观、不准确本文基于信息融合的思想,提出采用模
3、糊ID3决策树算法对大量的多源不确定数据[1,2]进行综合分析,建立准确的评估模型,并获取新的知识和规则的方法这种方法克服了只靠单一信源数据评估不准确的问题,解决了测试空间中信息数据不确定的问题1模糊决策树算法图1信息融合结构图Fig.1Fusionprocessofthemodel决策树算法是一种归纳推理算法,模糊决策树2.2融合系统的融合算法算法是决策树算法的一种推广,在模糊决策树建立(1)模糊决策树建模方法过程中,以模糊信息熵作为启发式,在结点上选取模糊决策树是树状结构的一种,每个树叶结具有最大模糊信息增益的属性作为扩展属性每个点代表模
4、糊类集合每个内部节点表示训练例子扩展属性都有交集部分,树中的结点被看作是此决空间的一个模糊子集,每个分支代表一个模糊输策空间的模糊子集出[3]模糊ID3决策树算法是以自顶向下各个击2基于模糊决策树算法的融合模型破的方式构造树型结构的,算法的基本策略如下:2.1融合系统的结构模型树叶代表训练样本的单个节点开始,选取信息融合技术是由传感器融合技术发展而来模糊信息熵最小的属性作为该树的根节点;的,是智能信息技术的核心基础之一本文采用分!如果样本都在同一个类,且该类的置信度大布式多传感器融合结构获得多源数据,并对获得于给定的阈值,则该节点成为树叶,并用
5、该类标记;的大量不确定性数据进行分析、处理,最终获取规如果一个结点上的属性全部使用过,则产生叶子;则融合结构如图1所示∀否则,选取没有用过的具有最高模糊信息图1所示的融合过程中,通过各个传感器实增益的属性作为扩展属性,如果信息增益小于给时获得多源数据,并通过预处理单元对连续数据定阈值,则产生叶子;收稿日期:20031113基金项目:国家自然科学基金资助项目(69873007)作者简介:张晓丹(1974-),女,吉林通化人,东北大学博士研究生;赵海(1959-),男,辽宁沈阳人,东北大学教授,博士生导师658东北大学学报(自然科学版)
6、第25卷#使用信息增益的基于熵的度量作为启发试属性创建一个节点,并以该属性标记,对属性信息,选择能够最好的将样本分类的属性该属性的每个值创建分支,并据此划分样本成为该节点的测试属性,对测试属性的每个已知(2)模糊决策树修剪值按扩展属性值进行模糊划分,并产生其结点;完整的模糊决策树形成以后,一般不能立即[4]∃递归上述!,∀,#步,形成每个划分上的用于对新数据的分类或预测因为,此时的这模糊决策树一旦一个属性出现在一个节点上,就棵完整的树并不是一棵分析新数据对象的最佳决不必考虑该节点的任何后代;策树,这种现象一般称为(过度拟和)解决这个
7、问%将产生的模糊决策树转换成模糊规则的题的主要方法是对决策树进行必要修剪形式本文采用后修剪技术进行决策树的修剪其首先对示例的属性进行预处理,根据经验给一般规则是:在模糊决策树不断剪枝的过程中,利出不同的示例在不同属性集中的隶属度i用训练样本集或检验样本集数据,检验决策子树其次开始训练,即从训练示例中产生模糊决对目标变量的预测精度,并计算出相应的错误率,策树设S是融合模型中的s个数据样本的模糊用户可以事先指定一个最大的允许错误率决策集合,假设类标号属性具有m个不同值,定义m树的后修剪过程如图2所示个不同类Ci(i=1,2,,&,m)设si是
8、类Ci中的样本数对一个给定的样本分类所需的期望信息mI(s1,s
