本文關(guān)鍵詞：基于相似性學(xué)習(xí)的智能決策方法研究

  更多相關(guān)文章： 智能決策 相似性學(xué)習(xí) 支持向量機(jī) k近鄰 集成學(xué)習(xí) 余弦相似性

【摘要】：決策理論是管理科學(xué)和經(jīng)濟(jì)學(xué)的重要分支。所謂決策,是指為達(dá)到最優(yōu)目標(biāo),對(duì)若干個(gè)備選方案進(jìn)行選擇的過(guò)程。在傳統(tǒng)的決策中,決策的準(zhǔn)確度很大程度上依賴(lài)于決策者的決策水平,而決策者必須經(jīng)過(guò)長(zhǎng)時(shí)間的經(jīng)驗(yàn)累積才能達(dá)到足夠豐富的決策水平,并且決策者在決策的過(guò)程中很容易會(huì)受到外界因素和主觀因素的干擾。因此,準(zhǔn)確而客觀的定量分析方法對(duì)于決策的科學(xué)性有著重要的意義。大多數(shù)決策問(wèn)題都可以歸結(jié)為機(jī)器學(xué)習(xí)的典型問(wèn)題,如分類(lèi)問(wèn)題及度量問(wèn)題。本文采用機(jī)器學(xué)習(xí)的方法,根據(jù)已有數(shù)據(jù)建立智能決策模型,盡可能減少?zèng)Q策者因外界因素干擾或經(jīng)驗(yàn)不足等因素而導(dǎo)致的不合理決策。相似性學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域占有一席之地,是一種非常符合人類(lèi)認(rèn)知規(guī)律的學(xué)習(xí)方式。本文對(duì)相似性學(xué)習(xí)的理論和方法進(jìn)行研究,并將其引入到智能決策中。主要工作包括以下內(nèi)容:提出了基于支持向量機(jī)相似性學(xué)習(xí)的智能決策方法。相似性學(xué)習(xí)是基于樣本對(duì)的學(xué)習(xí),因而構(gòu)造樣本對(duì)是相似性學(xué)習(xí)的第一步。傳統(tǒng)的樣本對(duì)構(gòu)造方法是將數(shù)據(jù)集中任意兩個(gè)樣本組成一個(gè)樣本對(duì)。當(dāng)數(shù)據(jù)集規(guī)模較大時(shí),構(gòu)造樣本對(duì)需要花費(fèi)一定的時(shí)間,并且大量的樣本對(duì)不利于后續(xù)處理。本文采用k近鄰方法構(gòu)造樣本對(duì),可以大大減少樣本對(duì)的數(shù)量,并且生成的樣本對(duì)更有學(xué)習(xí)價(jià)值。實(shí)驗(yàn)證明,該方法不僅大大加快了算法的速度,還能提高算法的精確度。提出了基于支持向量機(jī)相似性集成學(xué)習(xí)的智能決策方法。眾所周知,集成學(xué)習(xí)能夠提高單個(gè)分類(lèi)器的性能。本文將集成學(xué)習(xí)引入支持向量機(jī)相似性學(xué)習(xí)算法中,提出了基于支持向量機(jī)相似性集成學(xué)習(xí)的智能決策方法。實(shí)驗(yàn)證明該方法相比于基于支持向量機(jī)相似性學(xué)習(xí)的智能決策方法,不僅可以提高算法的精度,還可以增強(qiáng)算法的穩(wěn)定性。提出了基于余弦相似性的改進(jìn)型TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)的供應(yīng)商選擇方法。供應(yīng)商選擇問(wèn)題是一個(gè)多屬性決策問(wèn)題,可以采用TOPSIS方法解決。在傳統(tǒng)的TOPSIS方法中,使用歐氏距離度量屬性空間中的備選方法與正負(fù)理想解之間的距離。然而,當(dāng)不同屬性變量之間存在線性關(guān)系時(shí),歐氏距離不再適用。余弦相似性是一種常用的相似性度量方式。當(dāng)不同屬性之間的量綱不一致或者存在一定的線性關(guān)系時(shí),余弦相似性相比于歐氏距離具有更好的優(yōu)勢(shì)。在供應(yīng)商選擇上的實(shí)驗(yàn)表明,該方法簡(jiǎn)單有效,切實(shí)可行,其結(jié)果也客觀合理。
【關(guān)鍵詞】：智能決策 相似性學(xué)習(xí) 支持向量機(jī) k近鄰 集成學(xué)習(xí) 余弦相似性
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP181;C932
【目錄】：

• 中文摘要4-6
• Abstract6-10
• 第一章 緒論10-19
• 1.1 研究背景與意義10-11
• 1.2 智能決策方法研究進(jìn)展11-17
• 1.2.1 智能醫(yī)療診斷方法研究進(jìn)展11-14
• 1.2.2 金融風(fēng)險(xiǎn)預(yù)測(cè)方法研究進(jìn)展14-16
• 1.2.3 供應(yīng)商選擇問(wèn)題研究進(jìn)展16-17
• 1.3 問(wèn)題提出與內(nèi)容安排17-19
• 第二章 相關(guān)基礎(chǔ)知識(shí)19-26
• 2.1 支持向量機(jī)19-23
• 2.1.1 線性可分支持向量機(jī)20-21
• 2.1.2 非線性支持向量機(jī)21-22
• 2.1.3 不可分情況的處理22-23
• 2.2 相似性學(xué)習(xí)方法23-25
• 2.3 小結(jié)25-26
• 第三章 基于SVM相似性學(xué)習(xí)的智能決策方法26-41
• 3.1 支持向量機(jī)相似性學(xué)習(xí)算法26-28
• 3.2 基于SVM相似性學(xué)習(xí)的智能決策方法28-29
• 3.3 實(shí)驗(yàn)比較29-40
• 3.3.1 人工數(shù)據(jù)集30-33
• 3.3.2 醫(yī)療診斷33-37
• 3.3.3 個(gè)人信用評(píng)估37-40
• 3.4 小結(jié)40-41
• 第四章 基于SVM相似性集成學(xué)習(xí)的智能決策方法41-56
• 4.1 集成學(xué)習(xí)41-45
• 4.1.1 集成學(xué)習(xí)基本概述41-42
• 4.1.2 基學(xué)習(xí)機(jī)的構(gòu)造方法42-43
• 4.1.3 基分類(lèi)器的組合方法43-45
• 4.2 基于SVM相似性集成學(xué)習(xí)的智能決策方法45-48
• 4.2.1 構(gòu)造基支持向量機(jī)45-46
• 4.2.2 合并基支持向量機(jī)結(jié)果46-48
• 4.3 實(shí)驗(yàn)結(jié)果48-55
• 4.3.1 醫(yī)療診斷49-52
• 4.3.2 個(gè)人信用評(píng)估52-54
• 4.3.3 本章方法與第三章方法實(shí)驗(yàn)結(jié)果比較54-55
• 4.4 小結(jié)55-56
• 第五章 基于余弦相似性的改進(jìn)型TOPSIS的供應(yīng)商選擇方法56-64
• 5.1 TOPSIS法56-59
• 5.1.1 傳統(tǒng)TOPSIS法56-57
• 5.1.2 基于馬氏距離的TOPSIS法57-59
• 5.2 基于余弦相似性的改進(jìn)型TOPSIS法59-60
• 5.3 實(shí)驗(yàn)結(jié)果60-63
• 5.4 小結(jié)63-64
• 第六章 總結(jié)與展望64-66
• 參考文獻(xiàn)66-78
• 攻讀碩士學(xué)位期間主要的研究成果78-80
• 科研情況78
• 論文78
• 專(zhuān)利78-79
• 軟件著作權(quán)79-80
• 致謝80-81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 謝娟英;雷金虎;謝維信;高新波;;基于D-score與支持向量機(jī)的混合特征選擇方法[J];計(jì)算機(jī)應(yīng)用;2011年12期

2 邵虹,崔文成,張繼武,趙宏;醫(yī)療診斷專(zhuān)家系統(tǒng)研究進(jìn)展[J];小型微型計(jì)算機(jī)系統(tǒng);2003年03期

，

本文編號(hào)：737283