【摘要】：隨著信息技術(shù)的飛速發(fā)展,以知識(shí)發(fā)現(xiàn)為核心的數(shù)據(jù)驅(qū)動(dòng)型發(fā)展模式正推動(dòng)經(jīng)濟(jì)社會(huì)各領(lǐng)域從數(shù)字化、網(wǎng)絡(luò)化向智能化加速轉(zhuǎn)變。模糊理論作為一種天然的“數(shù)據(jù)知識(shí)轉(zhuǎn)換器”,能夠在一定程度上模擬人的推理關(guān)系,通過(guò)其特有的語(yǔ)義化和可解釋的模糊規(guī)則可以直觀地描述復(fù)雜數(shù)據(jù)中潛在有用的知識(shí)。本文首先從應(yīng)用角度出發(fā),對(duì)模糊規(guī)則系統(tǒng)中的經(jīng)典Wang-Mendel方法做出必要的改進(jìn),并在其基礎(chǔ)上提出了一種多民族面部特征的語(yǔ)義描述方法,以及該方法在人臉民族屬性識(shí)別中的應(yīng)用。然后總結(jié)了傳統(tǒng)模糊集理論在知識(shí)發(fā)現(xiàn)的實(shí)際應(yīng)用中存在的弱點(diǎn),通過(guò)引入公理模糊集理論,并與譜聚類(lèi)和隨機(jī)權(quán)重神經(jīng)網(wǎng)絡(luò)等理論進(jìn)行有機(jī)結(jié)合,針對(duì)知識(shí)發(fā)現(xiàn)領(lǐng)域中最主要的聚類(lèi)和分類(lèi)任務(wù)分別提出了新穎的解決方案。主要研究工作包括:(1)針對(duì)模糊規(guī)則系統(tǒng)中的Wang-Mendel方法在提取規(guī)則的完備性和算法的魯棒性上存在的問(wèn)題,本文進(jìn)行了相應(yīng)的改進(jìn),并以此為基礎(chǔ)提出了一種多民族人臉面部特征的語(yǔ)義描述方法。該方法首先利用人臉特征點(diǎn)定位技術(shù)自動(dòng)提取用于刻畫(huà)人臉外觀的特征點(diǎn)。然后借鑒人類(lèi)學(xué)在面部形態(tài)方面的已有成果,在這些特征點(diǎn)的基礎(chǔ)上定義了距離、周長(zhǎng)和面積等幾何特征。最后利用改進(jìn)的Wang-Mendel方法從幾何特征數(shù)據(jù)集中提取用于描述各民族面部形態(tài)特點(diǎn)的語(yǔ)義規(guī)則。這些語(yǔ)義規(guī)則還可以用于實(shí)現(xiàn)人臉民族屬性識(shí)別,通過(guò)與樸素貝葉斯、C4.5、決策表、隨機(jī)森林、Adaboost和Logistic回歸等分類(lèi)方法在中國(guó)民族人臉數(shù)據(jù)庫(kù)的8個(gè)數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn),本文提出的方法既可以得到具有競(jìng)爭(zhēng)力的分類(lèi)準(zhǔn)確率,還可以為人類(lèi)學(xué)領(lǐng)域?qū)＜姨峁┍阌诶斫獾恼Z(yǔ)義解釋。(2)譜聚類(lèi)算法因其在非凸數(shù)據(jù)集上的出色聚類(lèi)能力,近年來(lái)已成為應(yīng)用最廣泛的聚類(lèi)算法之一。但是現(xiàn)有的譜聚類(lèi)方法在構(gòu)建相似性矩陣時(shí)對(duì)參數(shù)設(shè)定非常敏感,這嚴(yán)重影響了算法對(duì)于噪聲數(shù)據(jù)的魯棒性。而且在信用評(píng)估或醫(yī)療診斷等領(lǐng)域,知識(shí)發(fā)現(xiàn)過(guò)程要求模型的輸出結(jié)果必須是可理解的。為了使譜聚類(lèi)算法在聚類(lèi)準(zhǔn)確率和聚類(lèi)結(jié)果的可解釋性上做出合理的權(quán)衡,本文提出了一種融合譜聚類(lèi)和公理模糊集理論的聚類(lèi)方法,該方法整合了公理模糊集在概念提取和語(yǔ)義表示方面的能力和譜聚類(lèi)對(duì)數(shù)據(jù)集的分布形狀沒(méi)有要求的優(yōu)勢(shì)。通過(guò)與傳統(tǒng)的譜聚類(lèi)算法和其他類(lèi)型的聚類(lèi)算法在17個(gè)UCI數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)表明,本文提出的方法可以有效地識(shí)別出數(shù)據(jù)中的類(lèi)簇,并為這些類(lèi)簇給出接近自然語(yǔ)言的模糊描述。(3)融合公理模糊集理論和隨機(jī)權(quán)重神經(jīng)網(wǎng)絡(luò)兩種理論工具的特點(diǎn),本文提出了一種可以對(duì)結(jié)果進(jìn)行語(yǔ)義解釋的分類(lèi)方法。該方法將基于公理模糊集理論構(gòu)建的一致性隸屬函數(shù)整合進(jìn)隨機(jī)權(quán)重網(wǎng)絡(luò)的隱含節(jié)點(diǎn)之中。隨機(jī)權(quán)重神經(jīng)網(wǎng)絡(luò)的輸入權(quán)重由隨機(jī)分配的方式確定,正是受這一思想啟發(fā),本文隨機(jī)生成特征、簡(jiǎn)單概念和復(fù)雜概念之間的關(guān)系。隱含節(jié)點(diǎn)內(nèi)的復(fù)雜概念由隨機(jī)選取的簡(jiǎn)單概念通過(guò)公理模糊集理論中的邏輯運(yùn)算組合形成。在傳統(tǒng)的基于公理模糊集理論的分類(lèi)方法中,適合描述目標(biāo)類(lèi)別的復(fù)雜概念需要采用調(diào)節(jié)約束條件的參數(shù)來(lái)獲得,這個(gè)過(guò)程需要大量的計(jì)算時(shí)間,而在本文提出的算法中,神經(jīng)網(wǎng)絡(luò)的輸出權(quán)重被用來(lái)評(píng)估復(fù)雜概念對(duì)于每個(gè)目標(biāo)類(lèi)別的適用程度。與其它基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法相比,本文提出的方法可利用隱含節(jié)點(diǎn)中的模糊概念為目標(biāo)類(lèi)別形成容易被人理解的語(yǔ)義解釋,克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型存在的“黑盒”問(wèn)題。在實(shí)驗(yàn)分析部分,我們將本文的方法與Ensemble、EvRBFN、NNEP、LVQ和iRProp+等5種基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)器在10個(gè)UCI數(shù)據(jù)集上的分類(lèi)結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn),本文的方法在具有良好分類(lèi)能力的同時(shí),還可以對(duì)分類(lèi)結(jié)果進(jìn)行直觀地描述。
【圖文】：

于知識(shí)發(fā)現(xiàn)的定義是由Ｆａｙｙａｄ［１ｌ等人提出的，知識(shí)發(fā)現(xiàn)是指從大量數(shù)據(jù)中提取有效的、逡逑新穎的、潛在有用的、最終可被理解的模式的非平凡過(guò)程。所謂非平凡過(guò)程是指具有一逡逑定程度的智能性和自動(dòng)性，而不僅僅是簡(jiǎn)單的數(shù)值統(tǒng)計(jì)和計(jì)算，圖１．１給出了這一過(guò)程逡逑的具體步驟。從宏觀的角度上看，知識(shí)發(fā)現(xiàn)的過(guò)程主要分為四個(gè)步驟，即數(shù)據(jù)篩選、數(shù)逡逑據(jù)預(yù)處理與變換、數(shù)據(jù)挖掘和結(jié)果的可視化與評(píng)估。在這些步驟中，數(shù)據(jù)挖掘是該過(guò)程逡逑的核心，它決定了整個(gè)知識(shí)發(fā)現(xiàn)過(guò)程的效果。逡逑原始數(shù)據(jù)邐目標(biāo)數(shù)據(jù)邐變換后的數(shù)據(jù)邐模型／規(guī)則邐可理解的知識(shí)逡逑＾邋＾吻晶逡逑數(shù)據(jù)篩選邐數(shù)據(jù)預(yù)處理與變換邐數(shù)據(jù)挖掘邐可視化與評(píng)估逡逑圖Ｕ知識(shí)發(fā)現(xiàn)的過(guò)程逡逑Ｆｉｇｕｒｅ邋１．１邋Ｔｈｅ邋ｐｒｏｃｅｓｓ邋ｏｆ邋ｋｎｏｗｌｅｄｇｅ邋ｄｉｓｃｏｖｅｒｙ逡逑從挖掘任務(wù)的角度來(lái)看，數(shù)據(jù)挖掘可分為聚類(lèi)、分類(lèi)、關(guān)聯(lián)規(guī)則挖掘、序列模式挖逡逑掘、回歸和異常檢測(cè)等方向［２］。實(shí)現(xiàn)這些挖掘任務(wù)可采用的方法包括統(tǒng)計(jì)方法、機(jī)器學(xué)逡逑習(xí)方法和數(shù)據(jù)庫(kù)方法等。在過(guò)去的幾十年間，機(jī)器學(xué)習(xí)已經(jīng)成為智能數(shù)據(jù)分析技術(shù)的創(chuàng)逡逑新源泉［３］，被學(xué)術(shù)界和工業(yè)界認(rèn)為是知識(shí)發(fā)現(xiàn)領(lǐng)域最重要的工具，圖１．２總結(jié)了目前較為逡逑－１邋－逡逑

在很多科學(xué)和商業(yè)領(lǐng)域，我們要分析的數(shù)據(jù)往往是非常復(fù)雜的，它們并不滿(mǎn)足一個(gè)逡逑特定參數(shù)的概率分布。知識(shí)發(fā)現(xiàn)始于對(duì)這種復(fù)雜性的探索，并從數(shù)據(jù)中發(fā)現(xiàn)隱含的模逡逑式。盡管圖１．１給出的知識(shí)發(fā)現(xiàn)過(guò)程中包含數(shù)據(jù)清洗的環(huán)節(jié)，但經(jīng)過(guò)該步驟處理后的數(shù)逡逑據(jù)仍然是非常復(fù)雜的。描述性數(shù)據(jù)挖掘可以降低數(shù)據(jù)的復(fù)雜性并對(duì)數(shù)據(jù)分析結(jié)果給出合逡逑理的解釋?zhuān)垲?lèi)分析是描述性非監(jiān)督數(shù)據(jù)挖掘的主要方法。逡逑聚類(lèi)算法的目的是將由凡個(gè)樣本數(shù)據(jù)組成的數(shù)據(jù)集Ｘ邋＝邋｛ａ，劃分成逡逑凡個(gè)不相交的子集（７１，６＜２，．．．，（＾（；５義。每個(gè)子集被稱(chēng)為簇，構(gòu)成簇的樣本之間盡可逡逑能相似，且與其它簇內(nèi)的樣本盡可能不相似：逡逑ｘ邐…ＬＪｃ—，ｇ邐＝邋０，以邋ｊ邐（ｕ）逡逑每個(gè)簇代表了原始數(shù)據(jù)中存在共性的一個(gè)子集，例如天文數(shù)據(jù)中的一個(gè)星系或市場(chǎng)營(yíng)銷(xiāo)逡逑中的一個(gè)消費(fèi)者群體，而表示離群點(diǎn)集合。如圖１．４所示，，Ｘｕ［＜）］等人將聚類(lèi)的過(guò)逡逑程概括為以下四個(gè)方面：逡逑邐＾邋特征提取與特征邋邐？聚類(lèi)算法設(shè)計(jì)或逡逑選擇邐＾邐邋選擇逡逑ｍｍ：邐｜｜逡逑Ｉ？邋＾邐邋聚類(lèi)結(jié)果評(píng)估邐考邋？邐解釋聚類(lèi)結(jié)果逡逑知識(shí)逡逑圖１．４聚類(lèi)的過(guò)程逡逑Ｆｉｇｕｒｅ邋１．４邋Ｔｈｅ邋ｐｒｏｃ
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：O159;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 汪海燕;黎建輝;楊風(fēng)雷;;支持向量機(jī)理論及算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年05期

2 王永富;王殿輝;柴天佑;;一個(gè)具有完備性和魯棒性的模糊規(guī)則提取算法[J];自動(dòng)化學(xué)報(bào);2010年09期

3 張麗娟;李舟軍;;分類(lèi)方法的新發(fā)展:研究綜述[J];計(jì)算機(jī)科學(xué);2006年10期

4 劉曉東,張慶靈;模糊概念的EI代數(shù)分解[J];模糊系統(tǒng)與數(shù)學(xué);2002年02期

本文編號(hào)：2598409