【摘要】：二十一世紀以來，人類加快了對海洋資源探索的步伐，在大洋深海的中存在的大量的海洋資源，因此各個國家都在積極爭取各自的海洋利益。在探索海底礦產(chǎn)資源的過程中，通過各種手段獲得的大量數(shù)據(jù)存在缺失的情況，而處理缺失數(shù)據(jù)的礦產(chǎn)資源評價算法研究較為滯后。本文旨在研究能夠處理帶缺失數(shù)據(jù)的機器學習算法，以實現(xiàn)對海底礦產(chǎn)資源數(shù)據(jù)的利用和礦產(chǎn)資源的評價。 極限學習機（ELM）是近年來機器學習算法中較為成功的一個，其具有速度快和泛化能力強的特點。稀疏貝葉斯ELM（SBELM）算法和TROP-ELM算法是標準ELM算法最新的兩個變種，，SBELM算法能夠解決多分類問題，TROP-ELM能夠解決回歸問題。與標準ELM算法相比，以上兩種ELM算法的變種不僅保留了ELM算法的優(yōu)點，還能夠得到更加緊湊的網(wǎng)絡結(jié)構(gòu)。然而，以上兩種算法無法處理帶缺失數(shù)據(jù)的數(shù)據(jù)集。為了解決這個問題，本文提出了兩種基于ELM的處理缺失數(shù)據(jù)的方法，分別是：處理缺失數(shù)據(jù)的加性模型方法（Additivemodels for missing data，AM-MD）和處理缺失數(shù)據(jù)的自調(diào)節(jié)神經(jīng)元狀態(tài)模型（Self-adjusting neuron state models for missing data，SNSM-MD）。在UCI公開數(shù)據(jù)集上的實驗結(jié)果說明了改進的SBELM算法和TROP-ELM算法與其它處理缺失數(shù)據(jù)的方法比，具有更好的泛化能力和效果。不僅如此，即使數(shù)據(jù)集中屬性值缺失率達到50%，本文提出的ELM改進算法仍然具有較好的效果。最后，本文將改進的TROP-ELM算法用于帶缺失數(shù)據(jù)的大洋海底鉆孔數(shù)據(jù)的回歸分析。
[Abstract]:Since the 21 century, mankind has accelerated the pace of exploration of marine resources, in the deep ocean of the existence of a large number of marine resources, so each country is actively striving for their own marine interests. In the process of exploring seabed mineral resources, a large number of data obtained by various means are missing, while the research on the evaluation algorithm of mineral resources which deals with missing data is lagged behind. The purpose of this paper is to study the machine learning algorithm which can process the missing data in order to realize the utilization of seabed mineral resources and the evaluation of mineral resources. Extreme Learning Machine (ELM) is one of the most successful machine learning algorithms in recent years. It has the characteristics of fast speed and strong generalization ability. Sparse Bayesian ELM (SBELM) algorithm and TROP-ELM algorithm are two new variants of standard ELM algorithm. SBELM algorithm can solve multi-classification problem and TROP-ELM algorithm can solve regression problem. Compared with the standard ELM algorithm, the variants of the above two ELM algorithms not only retain the advantages of the ELM algorithm, but also obtain a more compact network structure. However, the above two algorithms cannot deal with data sets with missing data. In order to solve this problem, two methods of processing missing data based on ELM are proposed in this paper. They are: additive model method (Additivemodels for missing data,) to deal with missing data. AM-MD and the self-regulated neuron state model (Self-adjusting neuron state models for missing data,SNSM-MD) for processing missing data. The experimental results on UCI open datasets show that the improved SBELM algorithm and TROP-ELM algorithm have better generalization ability and effect than other methods for processing missing data. Moreover, even if the missing rate of attribute value in data set is up to 50%, the improved ELM algorithm presented in this paper still has a good effect. Finally, the improved TROP-ELM algorithm is applied to regression analysis of ocean bottom borehole data with missing data.
【學位授予單位】：清華大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：P744;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 金勇進;調(diào)查中的數(shù)據(jù)缺失及處理(Ⅰ)——缺失數(shù)據(jù)及其影響[J];數(shù)理統(tǒng)計與管理;2001年01期

2 金勇進;缺失數(shù)據(jù)的加權(quán)調(diào)整(系列之Ⅳ)[J];數(shù)理統(tǒng)計與管理;2001年05期

3 趙慧秀;馬文卿;;帶有缺失數(shù)據(jù)的估計方程[J];曲阜師范大學學報(自然科學版);2009年03期

4 龐新生;;缺失數(shù)據(jù)處理方法的比較[J];統(tǒng)計與決策;2010年24期

5 楊金英;崔朝杰;;圖模型方法用于二值變量相關(guān)性分析中缺失數(shù)據(jù)的估計[J];中國衛(wèi)生統(tǒng)計;2012年05期

6 帥平;李曉松;周曉華;劉玉萍;;缺失數(shù)據(jù)統(tǒng)計處理方法的研究進展[J];中國衛(wèi)生統(tǒng)計;2013年01期

7 金勇進;缺失數(shù)據(jù)的偏差校正(系列三)[J];數(shù)理統(tǒng)計與管理;2001年04期

8 畢華,李濟洪;帶有缺失數(shù)據(jù)的聚類分析方法[J];華北工學院學報;2003年05期

9 李開燦;;有缺失數(shù)據(jù)的META-MARKOV模型的局部計算[J];應用數(shù)學學報;2007年03期

10 周偉萍;張德然;楊興瓊;;具有部分缺失數(shù)據(jù)時兩個幾何總體的估計[J];長春大學學報;2008年02期

相關(guān)會議論文 前8條

1 耿直;葛丹丹;;縱向研究非隨機缺失數(shù)據(jù)分析[A];中國現(xiàn)場統(tǒng)計研究會第12屆學術(shù)年會論文集[C];2005年

2 管河山;姜青山;Steven X.Wei;;一種處理缺失數(shù)據(jù)的新方法[A];第二十一屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2004年

3 陳楠;劉紅云;;基于增長模型的缺失數(shù)據(jù)處理方法之比較[A];心理學與創(chuàng)新能力提升——第十六屆全國心理學學術(shù)會議論文集[C];2013年

4 肖進;賀昌政;;面向缺失數(shù)據(jù)的客戶價值區(qū)分集成模型研究[A];中國企業(yè)運籌學[2010(1)][C];2010年

5 曾莉;張淑梅;辛濤;;IRT模型中缺失數(shù)據(jù)處理方法比較[A];第十一屆全國心理學學術(shù)會議論文摘要集[C];2007年

6 孫玲;劉浩;袁長亮;;北京市城市快速路微波檢測缺失數(shù)據(jù)分析[A];2008第四屆中國智能交通年會論文集[C];2008年

7 張香云;;基于EM算法缺失數(shù)據(jù)下混合模型的參數(shù)估計[A];第十三屆中國管理科學學術(shù)年會論文集[C];2011年

8 李曉煦;侯杰泰;;結(jié)構(gòu)方程中缺失數(shù)據(jù)的處理:FIML,EM與MI[A];全國教育與心理統(tǒng)計測量學術(shù)年會論文摘要集[C];2006年

相關(guān)博士學位論文 前10條

1 馬友;基于QoS缺失數(shù)據(jù)預測的個性化Web服務推薦方法研究[D];北京郵電大學;2015年

2 彭清艷;廣義函數(shù)型回歸模型及缺失數(shù)據(jù)模型[D];云南大學;2016年

3 駱汝九;多指標綜合評價的非參數(shù)方法和缺失數(shù)據(jù)的聚類方法研究[D];揚州大學;2011年

4 祝麗萍;幾種缺失數(shù)據(jù)和高維數(shù)據(jù)模型的統(tǒng)計分析[D];山東大學;2012年

5 賈博婷;缺失數(shù)據(jù)下一類整值時間序列的統(tǒng)計推斷[D];吉林大學;2014年

6 劉旭;在完全和缺失數(shù)據(jù)下基于非光滑估計方程的統(tǒng)計推斷與變量選擇問題[D];云南大學;2010年

7 趙鵬飛;混沌數(shù)據(jù)恢復與非線性系統(tǒng)的模型參考控制[D];吉林大學;2010年

8 陸福忠;數(shù)據(jù)缺失下的分布函數(shù)估計問題[D];復旦大學;2007年

9 趙慧秀;可交換的兩值數(shù)據(jù)的統(tǒng)計分析[D];東北師范大學;2009年

10 付志慧;多維項目反應模型的參數(shù)估計[D];吉林大學;2010年

相關(guān)碩士學位論文 前10條

1 楊利華;缺失數(shù)據(jù)的處理方法研究及應用[D];景德鎮(zhèn)陶瓷學院;2011年

2 袁中萸;多元線性回歸模型中缺失數(shù)據(jù)填補方法的效果比較[D];中南大學;2008年

3 褚培肖;缺失數(shù)據(jù)下的有限混合計數(shù)數(shù)據(jù)模型的統(tǒng)計推斷研究[D];昆明理工大學;2015年

4 申寧寧;縱向研究缺失數(shù)據(jù)多重填補及混合效應模型分析[D];山西醫(yī)科大學;2015年

5 李少瓊;縱向研究二分類缺失數(shù)據(jù)處理及加權(quán)估計方程的應用[D];山西醫(yī)科大學;2015年

6 高宇釗;比值缺失數(shù)據(jù)的多重估算與心臟康復二級預防干預效果評價及應用[D];山西醫(yī)科大學;2015年

7 李順靜;基于EM算法的缺失數(shù)據(jù)的統(tǒng)計分析及應用[D];重慶工商大學;2015年

8 汪靜波;Logistic回歸模型中缺失數(shù)據(jù)的處理[D];南京大學;2015年

9 朱建斐;數(shù)據(jù)集缺失數(shù)據(jù)恢復算法研究[D];西安電子科技大學;2015年

10 母建熊;基于飽和模型的帶有缺失的可交換兩值數(shù)據(jù)分析[D];東南大學;2015年

本文編號：2431865