相似性度量作為數(shù)據(jù)挖掘與機器學習中相當重要的概念,其方法和應用得到了廣泛的關注。傳統(tǒng)的度量方法分為距離度量和相似系數(shù)度量,由于它們?nèi)狈W習能力,使得應用領域存在一定局限性。后來的學習型偽度量方法避免了這個局限性,并在圖像檢索與分類領域獲得了成功應用。然而,這種學習型偽度量模型的建立采用的是BP神經(jīng)網(wǎng)絡算法,而BP網(wǎng)絡的訓練容易陷入局部最優(yōu),且算法時間復雜度較高。因此,本文使用一種訓練效率較高的隨機配置網(wǎng)絡代替BP網(wǎng)絡,研究了基于隨機配置網(wǎng)絡的學習型偽度量方法,并應用于案例推理分類器的檢索環(huán)節(jié),通過實驗證明了它可以提高案例推理分類器的性能。本文的主要工作內(nèi)容如下:（1）針對傳統(tǒng)度量方法缺乏學習能力的問題,提出將隨機配置網(wǎng)絡替換BP神經(jīng)網(wǎng)絡并應用于學習型偽度量方法中,并給出了算法步驟。首先根據(jù)學習型偽度量的定義構(gòu)建出訓練樣本集,接著以分類為例,定義了訓練隨機配置網(wǎng)絡的偽度量準則,在此基礎上,利用訓練樣本集訓練隨機配置網(wǎng)絡,并分析了網(wǎng)絡的通用逼近性。通過對比實驗,表明基于隨機配置網(wǎng)絡的相似性度量性能優(yōu)于BP神經(jīng)網(wǎng)絡,可以有效發(fā)揮隨機配置網(wǎng)絡在監(jiān)督機制下確定網(wǎng)絡結(jié)構(gòu)和訓練速度快的優(yōu)勢;（2）以... 

【文章來源】：北京工業(yè)大學北京市 211工程院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

歷史故障案例庫界面

圖 4-17 故障檢測模型開發(fā)界面Fig. 4-17 The development interface of fault detection model4) 全局腳本運行策略。對腳本文件進行編寫，完成后需要在運行策略中設置觸發(fā)時間，本策略根據(jù)實際現(xiàn)場數(shù)據(jù)采集頻率設置觸發(fā)周期為 5 分鐘/次，即 5分鐘檢測一次。全局腳本運行策略設置界面如圖 4-18 所示。

圖 4-17 故障檢測模型開發(fā)界面Fig. 4-17 The development interface of fault detection model4) 全局腳本運行策略。對腳本文件進行編寫，完成后需要在運行策略中設置觸發(fā)時間，本策略根據(jù)實際現(xiàn)場數(shù)據(jù)采集頻率設置觸發(fā)周期為 5 分鐘/次，即 5分鐘檢測一次。全局腳本運行策略設置界面如圖 4-18 所示。


本文編號：3040193