隨著科技發(fā)展,人們面臨著不斷增加的海量數(shù)據(jù),信息的有效處理就變得尤為重要,機(jī)器學(xué)習(xí)技術(shù)成為重要的工具。在機(jī)器學(xué)習(xí)中,極限學(xué)習(xí)機(jī)（Extreme learning machine,ELM）以其簡潔的理論和易于實(shí)施的優(yōu)點(diǎn)受到了廣泛關(guān)注,被應(yīng)用于不平衡數(shù)據(jù)學(xué)習(xí)、噪音及缺失數(shù)據(jù)學(xué)習(xí)、特征提取、人臉識別、遙感圖像等多種領(lǐng)域。盡管ELM在許多研究中具有良好的表現(xiàn),仍存在需要改進(jìn)的問題。例如現(xiàn)實(shí)中,由于數(shù)據(jù)的不平衡分布、及其具有冗余信息、帶有噪音以及離群點(diǎn),這些情況都對極限學(xué)習(xí)機(jī)的分類準(zhǔn)確率造成嚴(yán)重影響。在高光譜遙感圖像分類中,由于未充分考慮數(shù)據(jù)樣本之間的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息,使得極限學(xué)習(xí)機(jī)學(xué)習(xí)不充分,從而影響了極限學(xué)習(xí)機(jī)的泛化能力。本文針對上述兩個(gè)問題對極限學(xué)習(xí)機(jī)進(jìn)行了研究,主要研究成果如下:1)在應(yīng)用ELM分類的過程中,數(shù)據(jù)會(huì)具有冗余信息、存在噪音、離群點(diǎn)以及不平衡分布現(xiàn)象,這對分類效果產(chǎn)生極大影響。本文針對此現(xiàn)象將粗糙集理論與極限學(xué)習(xí)機(jī)模型相結(jié)合,利用粗糙集刻畫數(shù)據(jù)間的關(guān)系。提出粗糙極限學(xué)習(xí)機(jī)（Rough Extreme learning machine,RELM）。通過在UCI數(shù)據(jù)集... 

【文章來源】：遼寧師范大學(xué)遼寧省

【文章頁數(shù)】：41 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)元示意圖

圖 2.2 神經(jīng)網(wǎng)絡(luò)示意圖Fig. 2.2 Neural network diagram達(dá)式為 y g ( w x + b)，其中 g ( x )為“神經(jīng)元線性函數(shù)，一般可選用traingd 函數(shù)，tansig 函該神經(jīng)元所有輸入權(quán)值， x ( )nx R表示該神 的內(nèi)積，b是偏置值， y 為神經(jīng)元輸出。由公得到的輸入向量與輸入權(quán)值進(jìn)行內(nèi)積，內(nèi)積加標(biāo)量的輸出過程。，一般均設(shè) g ( x )x線性函數(shù)為輸入層和輸出層出。) ( ) ( ) 1 2 2, j j k b g w x + b g w x + b +b k k 表示隱含層第 i 個(gè)神經(jīng)元的輸入權(quán)值， L R

極限學(xué)習(xí)機(jī)算法的改進(jìn)與應(yīng)用義，但只要使用一對清晰集合進(jìn)行逼近就可以解決問題。粗糙集是一個(gè)很好的數(shù)據(jù)處理工具，可以通過屬性約簡達(dá)到消除冗余信息及噪音數(shù)據(jù)的目的。粗糙集的基本思想是在形成概念和規(guī)則的時(shí)候，通過關(guān)系數(shù)據(jù)庫進(jìn)行分類，而實(shí)現(xiàn)數(shù)據(jù)庫的分類則是通過對等價(jià)關(guān)系的分類來達(dá)到一種近似的情況。設(shè) 1 2, , ,nU x x x 是一個(gè)有限集,稱為論域。 R 是U 上的一個(gè)等價(jià)關(guān)系，U R 表示在U 上導(dǎo)出的所有等價(jià)類； Rx 表示包含元素 x 的 R 的等價(jià)類, x U 。Pawlak 粗糙集模型基于傳統(tǒng)的粗糙集定義方法[40]：對任一集合X U， R( X) 為下近似， R( X) 為上近似。Rough Sets( ) ( ) ( )XXRRR x U x XR x U x X 為空集其中上近似與下近似的集合就是粗糙集。

【參考文獻(xiàn)】：
期刊論文
[1]直覺模糊數(shù)決策粗糙集[J]. 陳玉金,李續(xù)武.  計(jì)算機(jī)科學(xué). 2018(02)
[2]粗糙集和支持向量機(jī)的表具識別算法研究[J]. 唐亮,仲元昌,沈甲甲,馬天智.  計(jì)算機(jī)工程與應(yīng)用. 2018(02)
[3]基于粗糙集理論的數(shù)據(jù)挖掘在CRM中的應(yīng)用[J]. 張麗莉.  信息系統(tǒng)工程. 2017(10)
[4]基于多閾值的變精度鄰域多粒度粗糙決策方法[J]. 駱公志,錢佳麗.  計(jì)算機(jī)應(yīng)用研究. 2018(10)
[5]基于灰色粗糙集與BP神經(jīng)網(wǎng)絡(luò)的設(shè)備故障預(yù)測[J]. 郭宇,楊育.  計(jì)算機(jī)應(yīng)用研究. 2017(09)
[6]基于粗糙集的Logistic回歸模型在礦井突水模式識別中的應(yīng)用[J]. 王江榮,黃建華,羅資琴,文暉.  煤田地質(zhì)與勘探. 2015(06)
[7]基于RS-BN的電力信息通信系統(tǒng)故障診斷方法[J]. 陳碩,趙永彬,劉明,覃文軍.  控制工程. 2015(06)
[8]基于粗糙集和人工免疫的集成入侵檢測模型[J]. 張玲,白中英,羅守山,謝康,崔冠寧,孫茂華.  通信學(xué)報(bào). 2013(09)
[9]粗糙集理論及進(jìn)展的研究[J]. 紀(jì)濱.  計(jì)算機(jī)技術(shù)與發(fā)展. 2007(03)
[10]粗糙集及其應(yīng)用簡介[J]. 楊啟賢.  貴州師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 1988(02)

碩士論文
[1]變精度相容粗糙集模型[D]. 高原原.河北大學(xué) 2012



本文編號：3591945