一种模糊规则库增量更新方法与流程

技术特征：
1.一种模糊规则库增量更新方法，其特征在于，包括以下步骤：首先根据模糊粗糙集理论生成原始规则库，基于静态规则库属性约简算法，对于模糊规则前件进行属性约简；加入新的规则后再根据一致度变化更新所述原始规则库，基于模糊规则库的增量更新算法生成新规则库；所述模糊规则库的增量更新算法包括：计算原始样本在包含新增样本的属性全集和原有属性值约简上的一致度；动态数据集上计算一致度的方法：,一致度的方法：,判断新增样本的属性约简一致度和原有属性值约简上的一致度两者是否相等，若相等，则其属性值约简保持不变，规则库中对应的规则也保持不变；如果两者不相等，则更新该属性值约简，更新原始规则库。2.根据权利要求1所述的模糊规则库增量更新方法，其特征在于，所述基于静态规则库属性约简算法包括以下步骤：1)首先，计算数据集中每个样本的一致度；给定一个模糊决策表dt＝<u，r，d>，u为整个论域，r表示规则前件，d表示规则后件，如果一些新示例δu＝{x
n 1
，x
n 2
，...，x
n s
}加入进来，生成动态模糊决策表dt＝<u∪δu，r，d>，，计算度量样本信息含量的关键值即一致度；2)然后，创建约简属性集合和候选属性集合，约简属性集合开始为空，候选属性集合里包含所有条件属性，针对每个样本，依次从候选属性中选取条件属性，并计算每次增加属性后的样本一致度，当加入某属性后一致度增加时则该属性为约简属性，若加入某属性后一致度不变则该属性仍留在候选属性，直到样本一致度与全属性计算时一致，则一致度满足条件，停止计算。3)最后删除候选属性中的冗余属性，最终得到约简样本，所有样本的属性值约简组成新的规则库。3.根据权利要求2所述的模糊规则库增量更新方法，其特征在于，所述一致度的计算公式为：这里r
c
(x，y)表示x,y之间的相似度，r
d
(x，y)＝0表示x,y为异类点，一致度的物理意义为距离x最近的异类点的距离，α表示一个阈值。4.根据权利要求3所述的模糊规则库增量更新方法，其特征在于，加入新的规则时，采用基于一致度的属性值约简算法计算新数据的属性值约简，将新数据对应的规则加入已有规则库。
5.根据权利要求4所述的模糊规则库增量更新方法，其特征在于，加入新示例后每条规则计算一致度存在一种情况，第一种情况为新示例可以与原有规则匹配，加入新样例后指模糊边界一致度变小，一致度更新为变小后的新一致度。6.根据权利要求5所述的模糊规则库增量更新方法，其特征在于，加入新示例后每条规则计算一致度存在另一种情况，新示例与原有规则匹配，但加入新示例后指模糊边界一致度不变或变大，一致度取最小值，这种情况下一致度保持不变。7.根据权利要求6所述的模糊规则库增量更新方法，其特征在于，加入新示例后每条规则计算一致度存在另一种情况，样本为新示例无法与原有规则匹配，则出现一条新的规则，按照已有算法计算其一致度。8.根据权利要求7所述的模糊规则库增量更新方法，其特征在于，通过动态数据集上的一致度计算方法得出，在给定模糊决策表dt＝<u∪δu，r，d>中，p为更新后的规则，存在δs为变动规则集，即包含上述的规则集；如果那么这时达到最大，只考虑x∈δs如何选择属性。

技术总结
本发明提出一种模糊规则库增量更新方法，涉及人工智能技术领域，该方法包括：首先根据模糊粗糙集理论生成原始规则库，基于静态规则库属性约简算法，对于模糊规则前件进行属性约简；加入新的规则后再根据一致度变化更新所述原始规则库，基于模糊规则库的增量更新算法生成新规则库；所述模糊规则库的增量更新算法包括：计算原始样本在包含新增样本的属性全集和原有属性值约简上的一致度。判断新增样本的属性约简一致度和原有属性值约简上的一致度两者是否相等，若相等，则其属性值约简保持不变，规则库中对应的规则也保持不变；如果两者不相等，则更新该属性值约简，更新原始规则库。更新原始规则库。更新原始规则库。


技术研发人员：郝明瑞 孙文迪 甄岩
受保护的技术使用者：北京机电工程研究所
技术研发日：2022.10.09
技术公布日：2023/1/31