[发明专利]一种苯乙烯设备选型规则生成方法

说明书

本发明涉及一种苯乙烯设备选型规则生成方法。具体而言，本发明方法包括获取苯乙烯设备选型数据；确定DSSRID3的非分裂属性；确定DSSRID3分裂属性；计算非分裂属性和分裂属性的信息熵和分裂属性的信息增益值，并对信息熵和信息增益值进行排序；选择信息增益最大的分裂属性为节点构建影响因素决策树；和通过公式(5)计算分裂属性，通过公式(6)计算非分裂属性的权重值，获取苯乙烯设备选型规则。本发明的设备选型规则可以应用于新设备选型。

技术领域

本发明属于苯乙烯领域，是一种苯乙烯设备选型规则生成方法。该方法可用于获取苯乙烯设备选型规则。

背景技术

数据挖掘，在人工智能领域又称为数据库中的知识发现，是指从包含大量数据的数据库中发现隐含的、先前未知的并具有潜在价值的信息的过程。数据挖掘的主要任务有分类分析、聚类分析、关联分析、序列模式分析等，其中分类分析由于其特殊地位，一直是数据挖掘领域的研究热点之一。数据挖掘分类就是对输入数据进行分析，获取准确的分类规则，并以此分类规则为基础，对新数据进行分类。常用的分类算法有贝叶斯分类、K-近邻法、支持向量机、决策树等。

决策树算法是一种基于贪心算法的归纳分类算法，即每一步选择中都采取在当前状态下最好或最优选择，以自顶向下递归的方式构造决策树。决策树算法通过对训练集不断地学习，生成可读的、有用的规则，然后将生成的规则用于新集进行预测分析。典型的决策树算法有ID3，C4.5，CART等。

ID3决策树算法，是J.Ross Quinlan在1975年提出的一种基于决策树的贪心算法。ID3算法起源于概念学习系统(CLS)，以信息熵的下降速度为选取测试属性的标准，即在每个节点选取还尚未被用来划分的具有最高信息增益的属性作为划分标准，然后继续这个过程，直到生成的决策树能完美分类训练样例。

发明内容

现有的设备选型数据中隐藏了大量的设备选型规则，应用相关的数据挖掘分类算法对输入数据进行分析，通过研究在训练集表现出来的特性，可以有效的获取设备选型规则，此规则可以应用于新设备选型。为了获取苯乙烯设备选型规则，本发明设计了一种苯乙烯设备选型规则生成算法DSSRID3(Device Selection of Styrene Rule ID3)。

苯乙烯设备选型通常由多个因素共同决定，DSSRID3算法的基本思路是首先基于ID3算法分别计算非分裂属性(设备类型)和分裂属性(设备选型影响因素)的信息熵和信息增益，并以此构建设备选型影响因素决策树，从而判断每个分裂属性是否是非分裂属性的影响因素；然后分别计算非分裂属性和分裂属性的权重值，并因此生成设备选型规则。

具体而言，本发明的苯乙烯设备选型规则生成方法包括以下步骤：

(1)获取苯乙烯设备选型数据；

(2)确定DSSRID3的非分裂属性：将选型数据中的某一种设备类型设置为非分裂属性，该非分裂属性为正例，则其他的设备类型为反例；

(3)确定DSSRID3分裂属性：将选型数据中所有影响设备选型的因素设置为分裂属性，应用二元划分法进行表示，即取值为“Yes”或“No”，从而生成训练样本集；

(4)计算非分裂属性和分裂属性的信息熵和分裂属性的信息增益值，并对信息熵和信息增益值进行排序；

(5)选择信息增益最大的分裂属性为节点构建影响因素决策树，从而确定分裂属性是否为非分裂属性的影响因素，若分裂属性是非分裂属性的影响因素在决策树中标记为“Yes”“因素”，反之则标记为“No”“因素”；

(6)通过公式(5)计算分裂属性，通过公式(6)计算非分裂属性的权重值，获取苯乙烯设备选型规则：

假设有n个分裂属性，则分裂属性ω_pi(i＝1,2,...,n)的计算公式为：