CN112434813A - 基于面向属性语言概念格的多重多维语言推理方法 - Google Patents

Abstract

本发明公开了一种基于面向属性语言概念格的多重多维语言推理方法，按照如下步骤进行：数据处理，用语言术语集表示形式背景中对象与属性间的关系；定义具有语言信息的近似算子，构建面向属性语言概念格；研究语言决策形式背景，提取基于优势关系的语言决策规则；通过获取的面向属性语言决策规则，建立多重多维语言推理模型；将多重多维语言推理模型输入到神经网络中，直接利用神经网络对语言决策规则进行自适应学习；计算规则库中各节点的权重并对具有语言信息的规则做不确定性推理。

Description

基于面向属性语言概念格的多重多维语言推理方法

技术领域

本发明属于智能信息处理技术，具体涉及一种基于面向属性语言概念格的多重多维语言推理方法。

背景技术

推理方法是计算机模拟人类的思维方式进行智能决策，可减少对人类专家经验的依赖，提高了智能决策的自动化程度，提高决策的准确性和可靠性。

形式概念分析是Wille于1982年提出的一种基于形式背景分析概念层次结构的推理方法，其核心是形式概念和概念格，数据源为形式背景。形式概念是一个由对象(外延)和对象共同具有的属性(内涵)构成的二元组，通过伽罗瓦链接，概念格以超概念与亚概念层次的形式在所有已发现的概念间完成了图形结构的可视化。它从本质上描述了对象和属性之间的关系，并显示了概念之间的泛化与特化关系，已经在人工智能、软件工程、数据挖掘、信息检索等许多领域得到了广泛的关注和研究。

目前，国内外的学者对形式概念分析的研究已经获得了显著的成果，Godin等提出了一种用于更新Galois格和相应图的增量概念形成方法，其在大多数情况下都优于批处理算法，更加高效简洁地生成概念格。Blohlavek从模糊逻辑的角度出发，研究了概念格的理论，给出对象具有属性的模糊值，提出模糊形式背景，构建模糊的层次结构。随后，Yao等又结合了三支决策的思想，从正、负算子两方面扩展了概念格，提出三支概念格及基于属性(对象)导出的三支概念格，并分析它们之间的关系。粗糙集由Z.Pawlak在1982年提出之后，Yao将粗糙集理论的思想整合到形式概念分析中，构建面向对象的概念格。在面向对象概念格研究中，近年来取得了一些新的进展。例如，Ma等通过讨论分层扩展集的性质，引入了一种新颖的方法来获取面向对象概念格。Qi等研究了形式概念分析与粗糙集上约简的关系，为了更容易发现数据间的隐含知识，表示更简单，又提出一种使用不可约元素进行属性约简的新方法，即面向对象(属性)概念格的约简方法，进一步提高概念格构建方法的效率。

在许多复杂***的信息处理中，经常遇到许多类型的不确定性描述知识，这些知识可能是数值、语言值等。概率推理、证据推理、模糊推理等方法都是处理不确定的知识的有效推理方法。为了更准确地说明估算父母人口年龄分布的不确定性，Tye等介绍了一种从碎屑锆石样品中推断出一组概率模型(PME)的新方法。Soares等结合证据推理来整合不完整的模糊信息，并将理想解决方案的相似性优先技术(TOPSIS)纳入应急响应决策中，以应对无订单船舶。在模糊控制问题中，模糊推理一直是一项重要的理论基础研究方法，Zadeh于1973年首次提出模糊分离算法(FMP)，由Mamdani等提出组成推理规则(CRI)是模糊推理方法的基本方法，在当今已得到广泛应用。邹等研究了语言真值直觉模糊命题逻辑L_2nP(S)的自动推理方法，并建立了语言真值直觉模糊命题逻辑***L_2nP(S)。研究了T运算和F运算的三段论，提出了一种语言值直觉模糊推理方法。刘等将语言信息引入形式概念分析，并提出了语言值直觉的模糊概念格和模糊语言概念格，以解决不确定性推理问题，这为形式概念分析领域提供了新的思路。在过去的两年中，基于机器学***的学习能力接近的AI开辟了新的方向。Ristic等涵盖了知识表示和不确定性推理的主要方法，尤其是贝叶斯概率论、可能性理论、基于信念函数的推理、不精确概率论，它结合了不确定性信息和不确定性下的决策任务所需的规则，为MATLAB提供了解决方案。Yang等提出了基于证据推理方法的置信规则库推理方法(Rule-base Inference Methodology Using the Evidential Reasoning,RIMER)，通过置信度分布表示建立规则，处理不同类型的不确定性知识。Watada等提出了一种结合结构学习和模糊推理的Gaussian-PSO方法来训练神经网络，通过修改网络结构有效地缩短了计算时间。为了解决多维稀疏规则条件下的模糊推理并处理多个变量之间的相互关系，Hassan等提出了一种基于CMAC神经网络的多重多维模糊推理方法，以减少推理结果的误差。

针对形式概念分析中对象是否具有属性的问题研究的很多，但是，对象与属性之间的群体情况研究很少，尤其是对决策形式背景与多重多维推理这两个重要主题的研究，此外，由于概念格仍然不能处理语言信息，容易造成信息缺失。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于面向属性语言概念格的多重多维语言推理方法

本发明的技术解决方案是：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s₀<s₁<...<s_g-1<s_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：

4)当

则该规则的后件对应的语言决策结果为

5)当

且

则该规则的后件对应的语言

决策结果为

6)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。

本发明基于优势关系提出的面向属性的语言决策规则成功扩展了语言决策规则集，反映了更广泛的语言决策知识，将面向属性的语言概念格获得的规则应用于不确定性知识的推理问题，具有一定的准确性和说服力，更符合实际问题。建立了多重多维语言推理模型，通过神经网络赋予客观的节点权重，实现了语言决策规则上的合理推理。将语言值加入到推理问题中，更加符合人类的正常思维，避免了信息缺失，提高了预测结果的准确率。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例面向属性语言概念格的结构图。

图3为本发明实施例面向属性语言决策概念格的结构图。

具体实施方式

本发明实施例是将本发明应用于大学生的语言编程能力预测问题，推断学生以及实验室整体语言编程水平的最终评估结果，流程如图1。

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s₀<s₁<...<s_g-1<s_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。

如对对象集的七个学生U＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}与属性集的四种语言编程软件水平A＝{a₁＝Python水平，a₂＝C语言水平，a₃＝C++水平，a₄＝JAVA水平}进行评价时，设定表示对象与属性间语言值关系的语言术语集g为4，S＝{s₀＝不及格，s₁＝及格，s₂＝中等，s₃＝良好，s₄＝优秀}且有如下的序关系s₀<s₁<...<s₃<s₄,构成学生语言编程学习情况决策形式背景(U,A,S)且

具体如表1。

表1

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，结果见表2与图2。

表2

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)，见表3，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，结果见表4与图3。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，见表5。

表3

表4

表5

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：

7)当

则该规则的后件对应的语言决策结果为

8)当

且

则该规则的后件对应的语言决策结果为

9)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，更新规则计入Ω(U)中，见表6。

表6

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；

具体如下：若各项语言编程水平分别为a₁---s₃，a₂---s₂，a₃---s₃，a₄---s₁要想预测出综合能力水平则可以根据以上24条面向属性语言决策规则建立以下多重多维语言推理模型：

步骤4.2利用神经网络进行推理

将上述24个语言决策规则构成的多重多维语言推理模型输入到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s₃,s₂,s₃,s₁，通过神经网络输出D^*对应的语言值为s₂，即若某位学生或某个实验室的Python水平良好，C语言水平中等，C++水平良好，JAVA水平为及格，则该名学生或该实验室的语言编程能力综合水平为中等。

Claims (1)

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s₀<s₁<...<s_g-1<s_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。

Images