基于粗糙集的森林火灾预警规则提取方法.ppt

基于粗糙集的森林火灾预警 规则提取方法,森林火灾预警信息表的确定,本项目中，结合考虑了目前国内外森林火灾预警系统对影响因子的选取，我们选取降水量 、湿度 、温度 、风速 、土壤含水率 、蒸发量 、光照等因子为监测对象。在森林火灾预警中，将其作为决策信息表的条件属性。 森林火灾风险值表示实际火险状态，火灾发生的可能性，我们将其划分为三等级：正常、高和危险，火险等级的划分有利于防火部门依据预报的等级来部署防火力量，制定扑救对策。森林火灾风险值是该决策信息表的决策属性。,表5-1 森林火灾预警决策信息表,改进后的二进制区分矩阵的构造方法 构造二进制区分矩阵 ，其中t为对象数，m为条件属性数，对于任意两对象xk和xp，cjC，具体构造如下： 前m列的元素构造为：,第m+1列的元素构造为：,（式2）,其中i是矩阵M的行值，由（式2）惟一确定；j值对应对象的条件属性。 这样对象对xk和xp唯一对应一个i值，同时i的值也惟一确定对象xk和对象xp。,森林火灾预警模型,森林火灾预警信息表的属性约简,森林火灾风险值的发生是各个影响因子相互作用的结果，但是，在这众多影响森林火灾风险值的因素中，有些因素是相关的，有可能只通过一部分必要的属性就可以推断出结论。 通过属性约简算法，将森林火灾决策信息表中不重要的属性约简掉，留下对森林火灾风险值影响重要的属性，从而达到简化信息表的目的，减少处理数据，提高预警效率。 算法需解决的关键问题： （1）将决策信息表S构造相应的二进制区分矩阵； （2）对二进制区分矩阵进行属性约简前的预处理； （3）求决策信息表S的核属性； （4）求属性重要度 。,森林火灾预警信息表的属性约简（算法描述）,输入：一致决策表系统S=(U, CD,V,f)，M为条件属性数，N为决策属性数，T为对象数 输出：该一致决策表的一个属性约简 step 1：构造二进制区分矩阵； setp 2：对二进制区分矩阵进行约简前的预处理； step 3：得出核属性； step 4：计算每个属性重要度值； step 5：以mX+1Y+1的值来判断是否约简完成，如果mX+1Y+1的值为0，说明约简结束。 While(mX+1Y+1!=0) 寻找到属性重要度值最大的属性加入到简约属性集合中； step 6：输出简约属性集合，算法结束。,构造二进制区分矩阵N-S图,属性约简前的预处理N-S图,求核属性的N-S图,求属性重要度N-S图,试验结果及分析,决策信息表5-1经过属性约简后，得到约简后的决策信息表如表5-2 所示。,如表5-2 所示。 表5-2 约简后的森林火灾预警决策信息表,从表5-2结果可知，蒸发量、风速、光照等均为冗余属性，而温度，降水量，湿度，土壤含水率为条件属性仅有的一个最小约简，在决定森林火灾风险值中起到非常重要的作用，这样，可以指导我们在实际检测中，对温度、降水量、湿度、土壤含水率的检测及结果要密切注意、科学分析。,表5-2 约简后的决策信息表,森林防火预警规则提取,通过值约简去掉决策表中的冗余信息，最终提取最简规则，为火灾预警提供辅助决策依据。 算法需解决的关键问题： （1）求决策信息表的属性重要度 ； （2）求决策信息表的核值属性 ； （3）删除重复冗余规则。,森林防火预警规则提取（算法描述）,算法描述 输入：一致决策表系统S=(U, C,输入：一致决策表系统S=(U, CD,V,f)，M为条件属性数，N为决策属性数，T为对象数 输出：该一致决策表的最简规则 step 1：初始化redT（用于保存值约简后的属性）、dTM+2（用于保存基于某对象的区分矩阵）、d1TM+2（用于保存在同一决策等价类中对象的区分矩阵）、d2TM+2（用于保存在不在同一决策等价类中对象的区分矩阵）、identT（用来保存会产生重复规则的对象）、二进制区分矩阵mXY（其中：X=T*(T-1)/2，Y=M+1），根据决策系统生成二进制区分矩阵m； step 2：for(对象x=1;x=T;x+) （1）如果x在ident集合中，则终止本次循环；否则，建立基于对象x的区分矩阵dTM+2 ； （2）将矩阵d中第M+1列的值为零的行存入d1矩阵，将矩阵d中第M+1列的值为不为零的行存入d2矩阵； （3）求核值属性； （4）计算每个属性的重要度； （6）while(d2TM+2!=0) 取属性重要度值最小的属性，即归纳性最大的属性加入到集合red中； r重新计数条件属性重要度； 集合red包含了该对象的值约简属性，根据red的值和矩阵d，将会产生重复规则的对象加入到ident集合中； （7）输出规则。 ,求决策信息表,（表5-2）的属性重要度,求决策信息表,的核值属性,试验结果及分析,通过值约简，可以得到如下最简规则： 温度（高）& 湿度（高）=火灾风险值（正常） 温度（高）&降水量（高）=火灾风险值（正常） 温度（高）&土壤含水率（较高）=火灾风险值（正常） 温度（较高）&降水量（较低）=火灾风险值（高） 降水量（低）=火灾风险值（高） 降水量（低）&土壤含水率（低）=火灾风险值（危险） 湿度（低）=火灾风险值（危险） 有了最简规则，我们就可以对森林火灾风险值进行预测。例如，如果采集到的温度数据为高，并且湿度为高，此种情况下火灾风险值为正常，也就是不会发生火灾；如果降水量低，那么火灾风险值为高，也就是发生火灾的可能性比较大；如果降水量低并且土壤含水率低，那么火灾风险值为危险，也就是发生火灾的可能性很大。,选取了其中的8个决策表分别采用文献36的实验结果和本文提出的算法比较结果如表5-1所示。 表5-1 一致决策表属性约简算法结果比较,实验结果表明，通过6个数据集的测试均能得到最小属性约简集，并且结果正确，运行时间较文献36算法要少。本文提出的一致决策表属性约简算法是正确、有效、可行的，对于多决策表的约简在一定程度上简化了计算，提高了运算速度。通过本文算法，能够得到较优的约简集合，运算速度较快，算法实现简单。,选取了2个一致决策表分别采用文献37的实验结果和本文提出的算法比较结果如表5-2所示。 表5-2 一致决策表值约简实验结果比较,在测试数据集上经过本算法的值约简可得出简洁的、数量不多的规则，且运算速度较快。实验表明，本文提出的