·78 智能系统学报 第2卷 现将其结构介绍如下： 表7WWs的不同比值对提取规则个数及分类 第1列表示所提取的规则号：第2列表示对应 能力的影响 规则的判定类别；第3列为规则所能正确分类的个 Table 7 Rules number and classification correctness ratio 数：第5列为规则的确定度；第6列值为1的规则 in different ratio of Wo,Ws 即所提取的规则OPT_S;第7、8、9、10列共同确定 WNCP Ws 1:1 1:4 18 1:10 规则的模糊子空间」 规则个数 125 2 17 10 利用该规则集对原始数据的识别情况如表5. 总体正确 95.3 982 92.7 86 分类能力/% 表5OPT_S对原始数据的识别情况 Table 5 Recognition rate on original data using OPT S 可以看出，随着Ws所占比重的增加，算法收敛 判定类别 判别情况 后所提取的规则个数不断减少，但是所得到的规则 1类 2类 3类 集合OPTS的分类能力并没有提高，这是由于在 拒识率/% 0 0 0 这种情况下，部分有效规则丢失，从而造成分类准确 错识率/% 0 率下降；另外，Ws所占的比重过小时，所提取的规 各分类正确率/% 100 98 96 则量增加，所得到的规则集合中包含很多低效规则 这些规则对于实际起作用的高效规则会造成干扰 综上可知，模糊空间经过分割精度分别为K= 因而也会影响到分类能力.所以对于WCp与Ws的 1,3,4,5,6的分割后，共可以产生2+3+4+ 比值的选取必须要经过多次调试，慎重选取，才能得 5+6=2274,去除无效规则共得到155条有效规 到规则个数适中、分类能力较强的规则集OPTS. 则，而最终提取的OPTS中规则总数仅42条，占 4结束语 总规则数的1.8%，占有效规则的27%.由表5可以 看出，总分类正确率为98%，该方法在保证了分类 将克隆选择算法用于模糊规则提取来解决分类 效果的基础上有效减少了规则的数量 问题，通过仿真实验检验，该算法具有较快的收敛速 另外将原始的IRIS数据略作改动，作为测试数 度和很好的收敛效果，并且该算法的分类准确率和 据，其识别效果见表6 稳定性非常高，该算法在分类问题上是合理有效的 表6OPT_S对新检验样本数据的识别情况 参考文献： Table 6 Recognition on ne w test data using OPT S [1]URSZULA M K.WOJCIECH T.Extraction of fuzzy 判定类别 判别情况 rules from trained neuarl network using evolutionary al- 1类 2类 3类 gorithm[A].ESANN'2003 Proceedings[C].Brussels, 拒识率！% 0 0 0 2003. 错识率/% 0 3.0 5.0 [2]TO KINA GA S,LU Jianjun,IKEDA Y.Neural network 各分类正确率/% 100.0 97.0 96.0 rule extraction by using the genetic programming and its applications to explanatory classifications [J ]Funda- 由表6可以看出，总分类正确率，97.7%，该分 Mentals,2005,88(10):2627.2635. 类规则集仍然能够以较高的分类能力对新样本进行 [3]康胜武.基于粗糙集理论的属性处理方法和模糊规则提 分类，说明文中所提出的这种新的基于克隆选择的 取及其应用研究[D].厦门：厦门大学，2001 模糊f-then规则的提取方法所提取的模糊规则具 KANG Shengwu.Attribute treatment fuzzy rules ex- 有较为理想的分类能力及容错能力 traction and application research based on rough set theo- 3.3WNP的Ws比值对于规则提取个数及分类能 ry[D].Xiamen:Xiamen University,2001. 力的影响 (4]MARGHN Y M H,EL-SEMMAN I E.Extracting fuzzy 表7讨论的是关于目标函数（亲和力函数）中， classification rules with gene expression programming 反映正确分类能力和提取规则个数的权值取值比例 [A].AIML'05 Conference [C].Cairo,Egypt,2005. [5]ISHIBUCHI H,NOZA KI K,TANA KA H.Distributed 对于算法中最终提取的规则个数及分类能力的影 representation of fuzzy rules and its application to pattern 响 classification[J ]Fuzzy Sets and Syst,1994,52(4):21 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net现将其结构介绍如下 : 第 1 列表示所提取的规则号 ;第 2 列表示对应 规则的判定类别 ;第 3 列为规则所能正确分类的个 数 ;第 5 列为规则的确定度 ;第 6 列值为 1 的规则 , 即所提取的规则 OPT _ S ;第 7、8、9、10 列共同确定 规则的模糊子空间. 利用该规则集对原始数据的识别情况如表 5. 表 5 OPT _S 对原始数据的识别情况 Table 5 Recognition rate on original data using OPT _S 判别情况 判定类别 1 类 2 类 3 类 拒识率/ % 0 0 0 错识率/ % 0 2 4 各分类正确率/ % 100 98 96 综上可知 ,模糊空间经过分割精度分别为 K = 1 ,3 ,4 , 5 , 6 的分割后 ,共可以产生 2 4 + 3 4 + 4 4 + 5 4 + 6 4 = 2 274 ,去除无效规则共得到 155 条有效规 则 ,而最终提取的 OPT _ S 中规则总数仅 42 条 ,占 总规则数的 1. 8 % ,占有效规则的 27 %. 由表 5 可以 看出 ,总分类正确率为 98 % ,该方法在保证了分类 效果的基础上有效减少了规则的数量. 另外将原始的 IRIS 数据略作改动 ,作为测试数 据 ,其识别效果见表 6. 表 6 OPT _S 对新检验样本数据的识别情况 Table 6 Recognition on new test data using OPT _S 判别情况 判定类别 1 类 2 类 3 类 拒识率/ % 0 0 0 错识率/ % 0 3. 0 5. 0 各分类正确率/ % 100. 0 97. 0 96. 0 由表 6 可以看出 ,总分类正确率 ,9717 % ,该分 类规则集仍然能够以较高的分类能力对新样本进行 分类 ,说明文中所提出的这种新的基于克隆选择的 模糊 if - t hen 规则的提取方法所提取的模糊规则具 有较为理想的分类能力及容错能力. 3. 3 W NCP的 W S 比值对于规则提取个数及分类能 力的影响 表 7 讨论的是关于目标函数 (亲和力函数) 中 , 反映正确分类能力和提取规则个数的权值取值比例 对于算法中最终提取的规则个数及分类能力的影 响. 表 7 WNCP 、WS 的不同比值对提取规则个数及分类 能力的影响 Table 7 Rules number and classification correctness ratio in different ratio of WNCP ,WS W NCP ∶W S 1 ∶1 1 ∶4 1 ∶8 1 ∶10 规则个数 125 42 17 10 总体正确 分类能力/ % 9513 9812 9217 86 可以看出 ,随着 W S 所占比重的增加 ,算法收敛 后所提取的规则个数不断减少 ,但是所得到的规则 集合 OPT _ S 的分类能力并没有提高 ,这是由于在 这种情况下 ,部分有效规则丢失 ,从而造成分类准确 率下降;另外 , W S 所占的比重过小时 ,所提取的规 则量增加 ,所得到的规则集合中包含很多低效规则 , 这些规则对于实际起作用的高效规则会造成干扰 , 因而也会影响到分类能力. 所以对于 W NCP与 W S 的 比值的选取必须要经过多次调试 ,慎重选取,才能得 到规则个数适中、分类能力较强的规则集 OPT _S. 4 结束语 将克隆选择算法用于模糊规则提取来解决分类 问题 ,通过仿真实验检验 ,该算法具有较快的收敛速 度和很好的收敛效果 ,并且该算法的分类准确率和 稳定性非常高 ,该算法在分类问题上是合理有效的. 参考文献 : [1 ] URSZULA M K , WOJCIECH T. Extraction of fuzzy rules from trained neuarl network using evolutionary al2 gorithm[ A ]. ESANN’2003 Proceedings[ C]. Brussels , 2003. [ 2 ] TO KINA GA S , LU Jianjun , IKEDA Y. Neural network rule extraction by using the genetic programming and its applications to explanatory classifications [J ]. Funda2 Mentals , 2005 ,88 (10) :2627 - 2635. [3 ]康胜武. 基于粗糙集理论的属性处理方法和模糊规则提 取及其应用研究[D]. 厦门 :厦门大学 ,2001. KAN G Shengwu. Attribute treatment & fuzzy rules ex2 traction and application research based on rough set theo2 ry[D]. Xiamen :Xiamen University ,2001. [4 ]MARGHN Y M H , EL2SEMMAN I E. Extracting fuzzy classification rules with gene expression programming [ A ]. AIML’05 Conference [C]. Cairo , Egypt , 2005. [ 5 ]ISHIBUCHI H , NOZA KI K , TANA KA H. Distributed representation of fuzzy rules and its application to pattern classification[J ]. Fuzzy Sets and Syst , 1994 , 52 (4) :21 ·78 · 智 能 系 统 学 报 第 2 卷