● 摘要
智能决策支持系统是决策支持系统与人工智能技术相结合的产物。数据挖掘的各种分析方法，尤其是分类分析，为决策支持提供了知识表示与知识处理的新思路，已成为决策支持系统研究的热点和主要发展方向。 在分类分析的各种算法中，遗传分类器不仅具有很好的分类效果，同时还结合了强化学习算法的自学习能力、产生式系统易理解的特点，以及遗传算法对噪声数据的处理能力，使得它对常常处于不断变化的决策环境具有很强的适应能力。因此，很适合作为决策信息的处理方法进行研究。 然而，传统遗传分类器在应用中还有很大的局限性，突出表现在它要求所处理的数据都是基于离散属性的。在这种情况下，随着离散属性取值的增加，所得到的规则数目也将急剧增加，数据的规律性往往不能够被很好地认识到。更为严重的是，在实际生活中，存在着大量的连续属性数据，而传统遗传分类器对此显得无能为力。 针对以上问题，本文在研究与比较了各种连续属性离散化方法的基础上，引入了基于云模型的连续属性离散化方法，并改进了分类器中的规则选举及桶队列算法，提出了一种基于云的遗传分类器模型，以达到拓宽遗传分类器使用范围并提高分类效果的目的。 本文的主要工作和取得的成果如下： 1.在传统遗传分类器模型中引入了基于云模型的连续属性离散化方法，从而解决了遗传分类器不能处理连续属性数据的问题，大大拓宽了遗传分类器的使用范围。 2.由于云模型的引入，给遗传分类器系统带来一定的不确定性，使得原有的规则选举及桶队列学习算法不再适用。因此，本文提出了一种改进的规则选举算法，以及改进的桶队列强化学习算法，利用这种不确定性，提高了系统的分类准确度。 3.设计并实现了一个基于遗传分类器的分类工具，其功能包括：预处理、属性选择、分类分析、结果评价等，基本实现了分类分析的全过程。 4.为了验证工具的有效性，结合入侵检测的背景知识，本文将该工具用于入侵检测数据分析。结果表明，该工具能有效地对入侵检测数据进行分类分析，取得了较理想的效果。