發(fā)布時(shí)間：2017-08-09 04:03

  本文關(guān)鍵詞：基于粗糙集理論—神經(jīng)網(wǎng)絡(luò)集成的數(shù)據(jù)流分類方法研究

  更多相關(guān)文章： 粗糙集 屬性約簡 神經(jīng)網(wǎng)絡(luò) 集成學(xué)習(xí) 數(shù)據(jù)流

【摘要】：隨著計(jì)算機(jī)技術(shù)、通信技術(shù)以及網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，許多信息系統(tǒng)在運(yùn)行過程中都會(huì)產(chǎn)生大量的流式數(shù)據(jù)。典型的例子包括電信呼叫數(shù)據(jù)、股票交易數(shù)據(jù)、互聯(lián)網(wǎng)通信數(shù)據(jù)、搜索引擎數(shù)據(jù)等。這種新的數(shù)據(jù)類型——數(shù)據(jù)流，是一種實(shí)時(shí)的、連續(xù)到達(dá)且速度快、規(guī)模宏大的數(shù)據(jù)有序序列。 數(shù)據(jù)流上的分類就是通過單遍掃描數(shù)據(jù)流，提出一個(gè)分類模型或函數(shù)，并利用該模型將數(shù)據(jù)對象映射到某一個(gè)給定的類別中。對數(shù)據(jù)流數(shù)據(jù)進(jìn)行分類時(shí)主要的困難在于：數(shù)據(jù)包含大量的冗余屬性，過多的屬性會(huì)影響模型的構(gòu)建速度和分類精度；同時(shí)，由于數(shù)據(jù)連續(xù)不斷地持續(xù)到達(dá)，，分類模型必須隨著數(shù)據(jù)的快速流入而實(shí)現(xiàn)高效地更新，從而達(dá)到分類模型能夠正確地映射當(dāng)前數(shù)據(jù)中的分類信息的目的。數(shù)據(jù)流數(shù)據(jù)的特殊性，決定了對數(shù)據(jù)流分類所采用的方法必須有別于傳統(tǒng)的數(shù)據(jù)挖掘分類方法，同時(shí)分類方法和技術(shù)在不同的學(xué)科領(lǐng)域都有著非常廣闊的應(yīng)用前景，因此，研究穩(wěn)定的、快速的、準(zhǔn)確的數(shù)據(jù)流分類方法具有巨大的理論價(jià)值和應(yīng)用價(jià)值。 本文將粗糙集理論和神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，充分發(fā)揮了二者的優(yōu)勢互補(bǔ)性來應(yīng)對數(shù)據(jù)流的高維性、數(shù)據(jù)量大等特點(diǎn)。粗糙集理論具有較強(qiáng)的不確定、不完整信息處理能力，并且只通過數(shù)據(jù)本身而無需任何多余的信息，就可以獲得數(shù)據(jù)之間的相關(guān)性并約簡屬性個(gè)數(shù)；神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，在處理非線性模式時(shí)其精確度優(yōu)于其他的數(shù)據(jù)挖掘方法，尤其適合處理大數(shù)據(jù)集數(shù)據(jù)，并且具有良好的容錯(cuò)性、自適應(yīng)性和抗噪聲干擾的能力。將二者的優(yōu)勢充分結(jié)合起來，能夠有效地降低神經(jīng)網(wǎng)絡(luò)輸入端的節(jié)點(diǎn)數(shù)，極大地簡化神經(jīng)網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)，從而提高神經(jīng)網(wǎng)絡(luò)模型的分類預(yù)測精度。 另外，本文采用了滑動(dòng)窗口技術(shù)來應(yīng)對數(shù)據(jù)流流速快的問題，將數(shù)據(jù)流劃分成若干個(gè)大小相同的數(shù)據(jù)塊，每個(gè)數(shù)據(jù)塊訓(xùn)練一個(gè)個(gè)體分類器，多個(gè)個(gè)體分類器組成一個(gè)集成分類器，利用集成方法能夠有效地降低模型的泛化誤差；并且，個(gè)體分類器的訓(xùn)練速度一般要高于單一模型的更新速度，也更加適合處理高速產(chǎn)生的數(shù)據(jù)流。 根據(jù)粗糙集理論、神經(jīng)網(wǎng)絡(luò)方法和集成學(xué)習(xí)理論，本文提出了一種基于粗糙集約簡、神經(jīng)網(wǎng)絡(luò)集成的數(shù)據(jù)流分類方法，并且在實(shí)際數(shù)據(jù)上的對比仿真實(shí)驗(yàn)得到了很好的分類預(yù)測效果，從而證明了該方法是可行且有效的。
【關(guān)鍵詞】：粗糙集 屬性約簡 神經(jīng)網(wǎng)絡(luò) 集成學(xué)習(xí) 數(shù)據(jù)流
【學(xué)位授予單位】：河北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP18;TP311.13
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-19
• 1.1 研究背景和意義11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-16
• 1.2.1 數(shù)據(jù)流分類研究現(xiàn)狀13-15
• 1.2.2 粗糙集神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀15-16
• 1.3 研究內(nèi)容及創(chuàng)新點(diǎn)16-17
• 1.3.1 研究內(nèi)容16-17
• 1.3.2 創(chuàng)新點(diǎn)17
• 1.4 本文的組織結(jié)構(gòu)17-19
• 第2章 相關(guān)理論基礎(chǔ)19-33
• 2.1 數(shù)據(jù)流19-24
• 2.1.1 數(shù)據(jù)流的定義及特點(diǎn)19-20
• 2.1.2 數(shù)據(jù)流模型20-21
• 2.1.3 數(shù)據(jù)流數(shù)據(jù)挖掘結(jié)構(gòu)圖及其技術(shù)21-24
• 2.2 粗糙集24-27
• 2.2.1 粗糙集概述24-26
• 2.2.2 粗糙集的基本概念26-27
• 2.3 神經(jīng)網(wǎng)絡(luò)27-32
• 2.3.1 神經(jīng)網(wǎng)絡(luò)簡介27
• 2.3.2 神經(jīng)網(wǎng)絡(luò)模型和結(jié)構(gòu)27-30
• 2.3.3 改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò)30-31
• 2.3.4 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)31-32
• 2.4 本章小結(jié)32-33
• 第3章 基于粗糙集和神經(jīng)網(wǎng)絡(luò)多分類器集成的數(shù)據(jù)流分類模型構(gòu)建33-47
• 3.1 粗糙集和神經(jīng)網(wǎng)絡(luò)的結(jié)合33-36
• 3.1.1 兩種方法優(yōu)勢互補(bǔ)33-34
• 3.1.2 兩種方法結(jié)合的方式34-36
• 3.2 數(shù)據(jù)流分類預(yù)測模型的構(gòu)建思想及流程圖36-38
• 3.2.1 模型構(gòu)建思想36-37
• 3.2.2 模型流程圖37-38
• 3.3 構(gòu)建模型38-46
• 3.3.1 數(shù)據(jù)預(yù)處理38-39
• 3.3.2 基于特征選擇的屬性約簡方法39-40
• 3.3.3 BP 神經(jīng)網(wǎng)絡(luò)各層參數(shù)的選擇40-41
• 3.3.4 集成分類器方法41-44
• 3.3.5 神經(jīng)網(wǎng)絡(luò)多分類器集成用于數(shù)據(jù)流分類44-46
• 3.4 本章小結(jié)46-47
• 第4章 仿真實(shí)驗(yàn)與結(jié)果分析47-54
• 4.1 實(shí)驗(yàn)數(shù)據(jù)47
• 4.2 連續(xù)屬性離散化47-49
• 4.3 粗糙集屬性約簡49
• 4.4 對比實(shí)驗(yàn)49-53
• 4.5 本章小結(jié)53-54
• 第5章 總結(jié)與展望54-56
• 5.1 工作總結(jié)54
• 5.2 研究展望54-56
• 參考文獻(xiàn)56-59
• 致謝59-60
• 攻讀碩士學(xué)位期間科研及發(fā)表論文情況60

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 歐陽震諍;羅建書;胡東敏;吳泉源;;一種不平衡數(shù)據(jù)流集成分類模型[J];電子學(xué)報(bào);2010年01期

2 周志華,陳世福;神經(jīng)網(wǎng)絡(luò)集成[J];計(jì)算機(jī)學(xué)報(bào);2002年01期

3 陳遵德;;Rough Set身經(jīng)網(wǎng)絡(luò)智能系統(tǒng)及其應(yīng)用[J];模式識(shí)別與人工智能;1999年01期

4 金澈清,錢衛(wèi)寧,周傲英;流數(shù)據(jù)分析與管理綜述[J];軟件學(xué)報(bào);2004年08期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 楊顯飛;數(shù)據(jù)流集成分類器算法研究[D];哈爾濱工程大學(xué);2011年

本文編號(hào)：643388