[发明专利]一种利用蝙蝠算法和粗糙集的属性约简方法

说明书

本发明提供了一种利用蝙蝠算法和粗糙集的属性约简方法，该方法用属性依赖度计算属性核，引入智能优化蝙蝠算法对属性最佳优化，在不改变信息决策表中各属性的依赖关系的情况下，找到影响决策的关键属性，对信息决策表进行属性约简，求得最小属性约简，该方法具有设置参数少、结构简单、收敛速度快的优点，与同类算法相比较，本发明主要应用于对信息决策表中的数据分析中，能够去除冗余属性，提取影响智能决策的关键信息，挖掘特征规律，提高决策效率，同时还可以避免搜索过程中容易陷入局部最优情况的发生。

技术领域

本发明属于数据处理技术领域，涉及一种利用蝙蝠算法和粗糙集的属性约简方法。

背景技术

数据作为计算机处理对象，其本身自带的潜在价值在数据分析领域起着巨大的作用，数据处理领域工程也迫切需要数据处理方法使得自身形成系统化，同时，由于网络信息爆炸，在面对海量数据时，对采集的数据需要依据算法寻找出关联密切的信息，而数据挖掘的过程需要通过统计分析、机器学习、专家系统、模式识别等多种方法完成决策支持。

数据分析中蝙蝠算法(Bat Algorithm，BA)是群智能和蝙蝠行为的启发而提出的一种新的优化算法，该算法具有较强的鲁棒性和寻找最优解的能力，其模拟了大多数微型蝙蝠回声定位的特性，即蝙蝠以脉冲的形式以一定的发射率进行发射一定量的频率和音量的超声波，当超声波在传播过程中遇到三维空间中的物体之后就会以回声的形式返回，通过对自身回声的接收和处理，蝙蝠不仅能够探测到运动物体与自身的距离和飞行方向，还可以判断其运动速率、大小、形态以及结构，从而避开障碍物。BA算法目前主要在连续域函数优化问题上进行求解，较少的地方用来求解组合优化问题。

粗糙集是一种刻画不完整性和不确定性的数学工具，能有效地分析不精确、不一致、不完整等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。粗糙集理论的主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来(近似) 刻画。该理论与其他处理不确定和不精确问题理论的最显著的区别是：它无需提供问题所需处理的数据集合之外的任何先验信息，所以对问题的不确定性的描述或处理可以说是比较客观的，由于这个理论未能包含处理不精确或不确定原始数据的机制，所以这个理论与概率论、模糊数学和证据理论等其他处理不确定或不精确问题的理论有很强的互补性。

现有智能优化算法各有不同的优缺点，其中缺失数据会对决策有影响，数值的填充任务在属性约简工作前并没有实施，数据缺失在许多研究领域是一个复杂的问题，在数据清洗过程中，主要处理的是缺失值、异常值和重复值，所谓清洗，是对数据集合通过丢弃、填充、替换、去重等操作，达到去除异常、纠正错误、补足缺失的目的。数据挖掘算法本身更致力于避免数据过分适合所建的模型，这一特性使得它难以通过自身的算法去很好地处理不完整数据。因此，空缺的数据需要通过专门的方法进行推导、填充等，以减少数据挖掘算法与实际应用之间的差距。根据以上论述，本发明尝试提出一种利用蝙蝠算法和粗糙集的属性约简方法，用以解决在复杂数据处理分析中提取影响智能决策的关键信息的问题。

发明内容

本发明的目的在于针对现有技术存在的问题，提供一种利用蝙蝠算法和粗糙集的属性约简方法，以解决在复杂数据处理分析中提取影响智能决策的关键信息的问题。

为此，本发明采取以下技术方案：

第一步，计算待分析样本中所有属性的依赖度γ_C(D)＝|pos_C(D)|/|U|，并求出属性核Core(C)，若属性核的依赖度γ_CORE(C)＝γ_C，那么Core(C)为最小相对约简，则终止运行，否则执行第二步；

第二步，初始化蝙蝠种群及所有参数，根据目标函数计算各个蝙蝠的适应度值fitness(x_i)，确定目前种群里最优解 x*；