現實世界中運轉的許多復雜系統如基因表達、風險評估、經濟預測等都可以抽象為特定的預測問題,而這些預測問題的高效解決將對社會的生產生活產生重大意義.機器學習作為一種解決這些復雜預測問題的重要方法,它能夠通過從經驗中不斷學習來提高其自身的學習與預測能力.現階段,隨著信息技術的迅猛發(fā)展與各領域大數據的爆發(fā),很多實際應用中的數據規(guī)模都呈現出爆炸式增長.數據的大規(guī)模性使得已有機器學習方法在解決預測問題時面臨巨大挑戰(zhàn).因此,研究高效的機器學習算法具有重要實際應用價值和理論意義.有監(jiān)督學習是機器學習中應用最為豐富、內容最廣泛的部分,如何高效地在大規(guī)模數據上訓練泛化性能強的學習器是機器學習研究領域面臨的關鍵問題之一.為此,本文以數據劃分與數據壓縮為研究基礎,針對面向海量數據如何提升學習算法的執(zhí)行效率問題開展了系統研究.主要研究成果如下:（1）針對支持向量機面對大規(guī)模數據訓練效率較低的問題,借鑒于分而治之的思想,提出了一個基于局部幾何信息的高效支持向量機算法.對于給定的大規(guī)模數據集,基于支持向量機算法中決策函數由少數支持向量確定的特點,利用線性投影來探究當前數據中的分類決策邊界,并深入分析了如何對數據進行... 

【文章來源】：山西大學山西省

【文章頁數】：126 頁

【學位級別】：博士

【文章目錄】：
中文摘要
英文摘要
第一章 緒論
    1.1 選題背景和研究意義
    1.2 國內外研究現狀
        1.2.1 基于數據劃分的加速學習算法
        1.2.2 基于數據壓縮的加速學習算法
    1.3 本文的研究內容和組織框架
第二章 基于局部信息的SVM加速算法
    2.1 問題描述
    2.2 相關概念
    2.3 基于局部信息的SVM加速算法
        2.3.1 基于線性投影的數據劃分
        2.3.2 相關參數值的確定
        2.3.3 時間復雜度分析
    2.4 實驗分析
    2.5 本章小結
第三章 基于K-means聚類的k-近鄰分類加速算法
    3.1 問題描述
    3.2 相關概念
    3.3 基于數據劃分k-近鄰分類加速算法的機理分析
        3.3.1 問題的轉化
        3.3.2 數據劃分影響的估計
    3.4 基于K-means聚類的k-近鄰分類加速算法
    3.5 實驗分析
    3.6 本章小結
第四章 基于分層抽樣的k-近鄰分類加速算法
    4.1 問題描述
    4.2 基于分層抽樣的k-近鄰分類加速算法
        4.2.1 訓練集的分層
        4.2.2 樣本集的獲取
        4.2.3 待識別實例的預測
    4.3 實驗分析
    4.4 本章小結
第五章 基于實例選擇的k-近鄰回歸加速算法
    5.1 問題描述
    5.2 相關概念
    5.3 遞減的實例選擇算法
        5.3.1 識別并移除異常實例
        5.3.2 識別并移除冗余實例
        5.3.3 相關參數值的確定
    5.4 實驗分析
    5.5 本章小結
第六章 基于按需抽樣的Logistic回歸加速算法
    6.1 問題描述
    6.2 相關概念
    6.3 基于按需抽樣的Logistic回歸加速算法
        6.3.1 樣本量自適應確定的按需抽樣
        6.3.2 按需抽樣有效性的理論性分析
    6.4 實驗分析
    6.5 本章小結
第七章 結論與展望
參考文獻
攻讀博士學位期間取得的研究成果
致謝
個人簡況及聯系方式


【參考文獻】：
期刊論文
[1]大數據挖掘的粒計算理論與方法[J]. 梁吉業(yè),錢宇華,李德玉,胡清華.  中國科學:信息科學. 2015(11)
[2]基于分歧的半監(jiān)督學習[J]. 周志華.  自動化學報. 2013(11)
[3]重采樣方法與機器學習[J]. 畢華,梁洪力,王玨.  計算機學報. 2009(05)
[4]基于加權模糊c均值聚類的快速圖像自動分割算法[J]. 楊潤玲,高新波.  中國圖象圖形學報. 2007(12)
[5]學習特征權值對K-均值聚類算法的優(yōu)化[J]. 王熙照,王亞東,湛燕,袁方.  計算機研究與發(fā)展. 2003(06)
[6]一種基于B樣條曲面的深度圖像重抽樣方法[J]. 李松濤,張長水,榮鋼,邊肇祺,Zhao Dong ming.  計算機學報. 2000(11)



本文編號：3100932