基于模糊统计分析模型的概念层次分类研究

对传统的基于模糊统计分析模型的概念分类方法进行改进,首先,通过专家系统获取各模糊样本集,利用统计分析方法求得分布函数;然后,利用该函数获得模糊隶属函数,通过隶属函数求各模糊集最模糊点;最后根据最模糊点获得各模糊集的区域划分,实现概念层次分类处理,避免了传统方法处理的复杂性和主观性。

基于改进模糊统计分析模型的概念层次分类规则研究

在数据挖掘和知识发现的研究过程中,往往需要对大量的数据进行概念层次分类处理,现广泛使用的方法是通过经验知识或主观判断进行处理,由于知识背景和经验层次的不同,导致不同的人对同一批数据同一问题提出不同的规则知识,加大了对规则知识进行合理性评估的难度。基于此问题,对传统的基于模糊统计分析模型的概念层次分类方法进行改进,首先,通过专家系统获取各模糊样本集,根据离散化的样本属性值及其相对隶属频率值对,进行RBF神经网络训练;然后,利用训练好的神经网络求取各模糊集的最模糊点;最后根据最模糊点获得各模糊集的区域划分,从而实现概念层次的分类处理,避免了传统方法处理过程的复杂性和主观性。