目前,數(shù)據(jù)的特征多種多樣,對數(shù)據(jù)進(jìn)行充分挖掘成為許多研究的重點,數(shù)據(jù)的特征有時會影響數(shù)據(jù)本身的性質(zhì),如醫(yī)學(xué)數(shù)據(jù)中,許多特征都是息息相關(guān),但有些特征沒有聯(lián)系,將所有特征放在一起進(jìn)行研究,會丟失數(shù)據(jù)間的信息,甚至做出錯誤的判斷。因此,對特征進(jìn)行數(shù)據(jù)分組,對不同的特征組給予不同的距離度量,可以利用數(shù)據(jù)間的隱藏信息,進(jìn)而提高分類器的準(zhǔn)確率。本文的工作主要包括以下兩個方面:（1）傳統(tǒng)的數(shù)據(jù)分析方法在挖掘許多數(shù)據(jù)信息時,可用的信息沒有得到充分利用。本文針對這一問題,提出一種基于改進(jìn)模糊聚類的Takagi-Sugeno（T-S）模糊系統(tǒng),將系數(shù)調(diào)節(jié)與指數(shù)調(diào)節(jié)與經(jīng)典模糊C均值聚類（Fuzzy C-means,FCM）算法結(jié)合,替換經(jīng)典T-S模糊系統(tǒng)中的邏輯元件,合理利用T-S模糊系統(tǒng)在預(yù)測與回歸等方面的優(yōu)勢的同時,通過指數(shù)或系數(shù)的靈活調(diào)控,深度挖掘可以被特征分組的數(shù)據(jù)中不同屬性間的關(guān)聯(lián)信息,進(jìn)而提高算法在特征具有可分組性的數(shù)據(jù)分析預(yù)測中的準(zhǔn)確性。為具體評估算法有效性,我們在可以特征分組的真實數(shù)據(jù)集上進(jìn)行實驗,實驗結(jié)果表明,本文提出的算法具有更高的預(yù)測精度及可行性。（2）在經(jīng)典的模糊c均值聚類方法的基礎(chǔ)... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

機器學(xué)習(xí)分類

個類，聚類后要使得類間的差異性盡可能最大，而類內(nèi)的差異性盡可能最校上文中提到，聚類是最常見的無監(jiān)督學(xué)習(xí)，聚類的目的是找到數(shù)據(jù)的標(biāo)簽，所以在很多領(lǐng)域，聚類過程只是一個數(shù)據(jù)預(yù)處理的過程，給進(jìn)一步的分析提供數(shù)據(jù)基矗比如在文檔分類時，可以使用聚類算法獲得信息；在金融分析中，聚類算法可以從大量客戶里找出許多類型的客戶，如保守型投資客戶和非保守型投資客戶等。類似的運用還可以擴展到生物學(xué)、經(jīng)濟學(xué)、醫(yī)療衛(wèi)生學(xué)等眾多領(lǐng)域[41]，簡單來說，聚類在生活中無處不在。根據(jù)對聚類的描述，可以簡略的將聚類表達(dá)為下圖2-2所示。將圖中的點聚成3類：圖2-2聚類形象化描述通過對上文的理解，現(xiàn)將聚類定義為如下形式：定義一個有限數(shù)據(jù)樣本集12{,,,}nXxxx[，根據(jù)樣本間的特征和聯(lián)系把數(shù)據(jù)集聚成k個簇且聚類中心為：12{,,,}kCCCC[，其中12,,,kCCC需要滿足以下的條件：(1)1,2,,iCik；(2)12kCCCX；(3);1,2;1,2ijCC（iji=,,ki=,,k)。跟本身以外的類中的樣本比，iC內(nèi)各個樣本的相似度更高，因此1,2,,iCik可以稱作集合X的簇。綜上所述，一個成功的聚類算法應(yīng)該具有以下兩個特征：簇內(nèi)的對象相似性最強而簇間的對象相似性最弱[42]。作為一個常用數(shù)據(jù)處理技術(shù)，在實際應(yīng)用中，聚類結(jié)果的好壞不僅僅取決于聚類過程的實現(xiàn)方式和距離度量的選擇，能否挖掘出數(shù)據(jù)中潛在的信息也能直接影響聚類的質(zhì)量。聚類不僅可以獨立使用，還可以與分類等其他機器學(xué)習(xí)算法結(jié)合使用，利用每個算法的優(yōu)缺點，相輔相成，更精確并且更迅速地獲取到數(shù)據(jù)的所有信息，進(jìn)而可以深入進(jìn)行數(shù)據(jù)挖掘。

江南大學(xué)碩士學(xué)位論文122.4.1Mamdami模糊模型Mamdani模糊推理過程如圖2-3所示：圖2-3Mamdani模糊推理過程從理論上，推理系統(tǒng)的規(guī)則數(shù)計算如下：1=niiRFS(2.17)其中R為規(guī)則數(shù)，n為輸入變量數(shù)，iFS表示分配給第i個輸入變量的模糊集個數(shù)。如式(2.17)所示，規(guī)則的數(shù)量直接取決于系統(tǒng)中輸入變量和模糊集的數(shù)量。增加輸入和模糊集的數(shù)量會導(dǎo)致規(guī)則數(shù)量的顯著增加，這可能導(dǎo)致系統(tǒng)失去對人類的可解釋性。此外，大量規(guī)則的構(gòu)建似乎不合理和可管理，增加了在推斷和獲取輸出的語言值時出錯的風(fēng)險。此外，這需要較高的計算成本，這將限制模型的適用范圍與快速動力學(xué)系統(tǒng)。應(yīng)當(dāng)指出，關(guān)于所調(diào)查的過程的性質(zhì)，在某些情況下，輸入變量的各種操作條件的所有組合都不可能發(fā)生，從而導(dǎo)致不適用的規(guī)則[65]。然而，這些不適用的規(guī)則的數(shù)量通常很少，所有可能的規(guī)則都應(yīng)該包括在推理中，以便開發(fā)一個完整的Mamdani模糊模型，能夠預(yù)測研究過程的所有可能方面。從數(shù)學(xué)上講，根據(jù)式(2.17)，規(guī)則的數(shù)量隨著輸入變量或模糊集的數(shù)量的減少而減少。減少模糊集的數(shù)量將以損失準(zhǔn)確率為代價，其中模型精度的程度通常取決于用戶對特定問題的需求。但是，還可以進(jìn)行其他兩項操作來減少規(guī)則的數(shù)量，而不會顯著降低模型的準(zhǔn)確性。第一種方法是找到一種方法將一些輸入變量合并為一個變量。這是通過引入一個新的模糊概念“語言組成變量-LCV”來實現(xiàn)的，通過該模糊概念，可以將模型中物質(zhì)流成分的摩爾(或質(zhì)量)分?jǐn)?shù)變量模糊地合并為一個模糊變量，從而大大減少規(guī)則的數(shù)量。當(dāng)流中組分的摩爾分?jǐn)?shù)位于模型的輸入變量(例如反應(yīng)器或分離器模型)中時，這個概念是有用的。由于Mamdani模糊方法可以有效地利用對所研究過程的知識進(jìn)行分析，因此第二種方法是通過對所要

【參考文獻(xiàn)】：
期刊論文
[1]多距離聚類有效性指標(biāo)研究[J]. 劉叢,陳倩倩,陳應(yīng)霞.  小型微型計算機系統(tǒng). 2019(10)
[2]基于模糊區(qū)分矩陣的結(jié)直腸癌基因選擇[J]. 李藤,楊田,代建華,陳鸰.  南京大學(xué)學(xué)報(自然科學(xué)). 2019(04)
[3]基于客觀聚類的手寫數(shù)字識別方法[J]. 王娜,胡超芳.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2019(02)
[4]一種集成簇內(nèi)和簇間距離的加權(quán)k-means聚類方法[J]. 黃曉輝,王成,熊李艷,曾輝.  計算機學(xué)報. 2019(12)
[5]基于交叉驗證網(wǎng)格尋優(yōu)支持向量機的產(chǎn)品銷售預(yù)測[J]. 張文雅,范雨強,韓華,張斌,崔曉鈺.  計算機系統(tǒng)應(yīng)用. 2019(05)
[6]高維數(shù)據(jù)的增量式聚類算法的距離度量選擇研究[J]. 邵俊健,王士同.  計算機工程與科學(xué). 2019(02)
[7]面向重尾噪聲的模糊規(guī)則模型[J]. 賈海寧,王士同.  南京大學(xué)學(xué)報(自然科學(xué)). 2019(01)
[8]基于DTW距離度量的層次聚類算法[J]. 陶洋,鄧行,楊飛躍,潘蕾娜.  計算機工程與設(shè)計. 2019(01)
[9]特征聚類的局部敏感稀疏圖像修復(fù)[J]. 薛俊韜,倪晨陽,楊斯雪.  紅外與激光工程. 2018(11)
[10]基于聚類識別的極化SAR圖像分類[J]. 魏志強,畢海霞.  電子與信息學(xué)報. 2018(12)

碩士論文
[1]基于機器學(xué)習(xí)的癲癇及精神異常腦電信息識別研究[D]. 鄭天依.北京郵電大學(xué) 2019
[2]動態(tài)聚類算法及其在醫(yī)學(xué)數(shù)據(jù)上的應(yīng)用[D]. 金永波.浙江大學(xué) 2011



本文編號：3228321