目前機(jī)器學(xué)習(xí)作為數(shù)據(jù)挖掘中一種重要的工具,其不只是對(duì)人的認(rèn)知學(xué)習(xí)過(guò)程的探索,還包括對(duì)數(shù)據(jù)的分析處理。面對(duì)大量數(shù)據(jù)的挑戰(zhàn),目前一部分研究專注于機(jī)器學(xué)習(xí)算法的改進(jìn)和開拓,另一部分研究人員則致力于樣本數(shù)據(jù)的選擇和數(shù)據(jù)集的縮減,這兩方面研究工作是并行的。訓(xùn)練樣本數(shù)據(jù)選擇是機(jī)器學(xué)習(xí)的一個(gè)研究熱點(diǎn),通過(guò)對(duì)樣本數(shù)據(jù)的有效選擇,提取更具有信息量的樣本,剔除冗余樣本和噪聲數(shù)據(jù),從而提高訓(xùn)練樣本質(zhì)量,進(jìn)而獲得更好的學(xué)習(xí)性能。本文以分類器訓(xùn)練樣本為研究對(duì)象,對(duì)分類器訓(xùn)練樣本選擇方法進(jìn)行研究。（1）作者就目前存在的樣本數(shù)據(jù)選擇方法進(jìn)行綜述研究,對(duì)目前存在的方法從基于抽樣的方法、基于聚類的方法、基于近鄰分類規(guī)則的方法這三大類以及其他相關(guān)數(shù)據(jù)選擇方法四個(gè)方面進(jìn)行總結(jié)和分析對(duì)比,并對(duì)訓(xùn)練樣本數(shù)據(jù)選擇方法存在的問(wèn)題和未來(lái)研究方向提出一些結(jié)論和展望。（2）為了提高神經(jīng)網(wǎng)絡(luò)分類器的性能,本文提出一種新的訓(xùn)練樣本數(shù)據(jù)選擇方法——基于K均值聚類的分段樣本數(shù)據(jù)選擇方法,利用該方法結(jié)合人工數(shù)據(jù)集和UCI標(biāo)準(zhǔn)數(shù)據(jù)集分別對(duì)BP、LVQ、ENN（Extension neural network）這三種常用的分類器進(jìn)行實(shí)驗(yàn)研究,并驗(yàn)證了... 

【文章來(lái)源】：華北水利水電大學(xué)河南省

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Fisher線性判別原理示意圖

3人工神經(jīng)網(wǎng)絡(luò)173人工神經(jīng)網(wǎng)絡(luò)3.1人工神經(jīng)網(wǎng)絡(luò)基本理論神經(jīng)網(wǎng)絡(luò)是分類技術(shù)的重要工具之一，近年來(lái)大量學(xué)者研究表明神經(jīng)網(wǎng)絡(luò)在未來(lái)有希望代替?zhèn)鹘y(tǒng)的基于統(tǒng)計(jì)學(xué)的分類技術(shù)。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）是由大量簡(jiǎn)單的小單元組成的一種復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。其工作原理和組成結(jié)構(gòu)是對(duì)大腦神經(jīng)元網(wǎng)絡(luò)功能的模擬，能夠反映我們?nèi)四X的一些活動(dòng)特征，人腦是復(fù)雜的，人工神經(jīng)網(wǎng)絡(luò)只是對(duì)其簡(jiǎn)單的抽象化和模仿，尚不能反映人腦全部的活動(dòng)特征。近年來(lái)依照生物神經(jīng)元網(wǎng)絡(luò)進(jìn)行模擬發(fā)展出了多種類型的人工神經(jīng)網(wǎng)絡(luò)，在大數(shù)據(jù)與人工智能發(fā)展火熱的今天有著十分廣泛的應(yīng)用。3.1.1人工神經(jīng)元人工神經(jīng)元模型是由生物神經(jīng)元抽象提煉出來(lái)的。神經(jīng)元由軸突、樹突、細(xì)胞體和突觸構(gòu)成，人腦由無(wú)數(shù)神經(jīng)元互相連接構(gòu)成的神經(jīng)元網(wǎng)絡(luò)來(lái)進(jìn)行信息處理。其結(jié)構(gòu)如下圖3-1所示。圖3-1生物神經(jīng)元結(jié)構(gòu)圖Figure3-1Biologicalneuronstructure由神經(jīng)元組成結(jié)構(gòu)來(lái)看，神經(jīng)元之間通過(guò)感知環(huán)境變化，進(jìn)而產(chǎn)生連續(xù)的變化，并在其之間進(jìn)行信息傳遞。ANN是由人工神經(jīng)元這一基本單位組成的，是一種對(duì)生物神經(jīng)元從數(shù)學(xué)角度出發(fā)的模擬，各神經(jīng)元之間是獨(dú)立的單元，可以對(duì)信息進(jìn)行自學(xué)習(xí)和處理，同時(shí)各神經(jīng)元又相互具有聯(lián)系，根據(jù)各神經(jīng)元反饋的信息進(jìn)行結(jié)構(gòu)的調(diào)整，具有自學(xué)習(xí)能力，人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖3-2所示。

改進(jìn)的可拓距離Fig.3-11Theimprovedextensiondistance(ED)

【參考文獻(xiàn)】：
期刊論文
[1]基于集對(duì)分析和GA-BP神經(jīng)網(wǎng)絡(luò)的地下水埋深預(yù)測(cè)研究[J]. 陳笑,胡宏祥,戚王月,周婷,夏萍.  華北水利水電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]基于LVQ神經(jīng)網(wǎng)絡(luò)的高壓斷路器機(jī)械故障診斷方法[J]. 馬宏忠,徐艷,魏海增,劉勇業(yè).  高壓電器. 2019(08)
[3]一種新的樣本選擇算法及其在文本分類中的應(yīng)用[J]. 萬(wàn)中英,王明文,左家莉,劉長(zhǎng)紅.  江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[4]基于模糊集對(duì)分析的京津冀水資源可持續(xù)利用評(píng)價(jià)[J]. 門寶輝,劉煥龍.  華北水利水電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[5]基于余弦相似度的邊界樣本選擇方法[J]. 李春利,柳振東,惠康華.  計(jì)算機(jī)與現(xiàn)代化. 2017(08)
[6]Multi Boost with ENN-based ensemble fault diagnosis method and its application in complicated chemical process[J]. 夏崇坤,蘇成利,曹江濤,李平.  Journal of Central South University. 2016(05)
[7]一種基于鄰域樣本密度的SVDD樣本剪輯方法及其應(yīng)用[J]. 張安安,鄭萍,方琳,彭嵩松.  江西科學(xué). 2014(06)
[8]融合互近鄰和可信度的K-近鄰分類算法[J]. 石鑫鑫,胡學(xué)鋼,林耀進(jìn).  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(09)
[9]一種基于混合誤差梯度下降算法的過(guò)程神經(jīng)網(wǎng)絡(luò)訓(xùn)練[J]. 許少華,宋美玲,許辰,朱新寧.  東北石油大學(xué)學(xué)報(bào). 2014(04)
[10]考慮局部均值和類全局信息的快速近鄰原型選擇算法[J]. 李娟,王宇平.  自動(dòng)化學(xué)報(bào). 2014(06)

碩士論文
[1]基于樣本選擇的復(fù)雜分類問(wèn)題研究[D]. 于光華.天津大學(xué) 2017



本文編號(hào)：3392741