相關(guān)向量機(jī)（Relevance Vector Machine,RVM）是一種基于稀疏貝葉斯理論的機(jī)器學(xué)習(xí)算法。該算法十分擅長處理小規(guī)模數(shù)據(jù)問題,由于其優(yōu)秀的表現(xiàn),已經(jīng)應(yīng)用于圖像處理、故障診斷等許多領(lǐng)域。然而,RVM對(duì)數(shù)據(jù)的處理能力還有一些不足,例如在訓(xùn)練樣本規(guī)模較大的數(shù)據(jù)時(shí),它會(huì)消耗過多的內(nèi)存和時(shí)間,引起學(xué)習(xí)效率下降;面對(duì)有噪聲的數(shù)據(jù)或者樣本不均衡的數(shù)據(jù)時(shí),學(xué)習(xí)性能表現(xiàn)次優(yōu)。這些存在的不足,特別是數(shù)據(jù)規(guī)模問題使得RVM的發(fā)展受到了限制。針對(duì)這些問題,本課題首先利用混合采樣、噪聲檢測(cè)和AdaBoost方法提升了RVM在小規(guī)模數(shù)據(jù)集（不均衡、噪聲）上的分類精度;其次,結(jié)合分布式計(jì)算、集成學(xué)習(xí)和差異性度量對(duì)前一個(gè)研究成果進(jìn)行拓展,提升了RVM在大規(guī)模數(shù)據(jù)集（均衡、不均衡）上的分類性能。本文的主要工作包括:（1）針對(duì)小規(guī)模數(shù)據(jù)集中不均衡樣本和噪聲樣本對(duì)RVM分類的影響,在數(shù)據(jù)預(yù)處理階段,采用了基于隨機(jī)欠采樣和自適應(yīng)樣本合成采樣的混合采樣方法減弱了樣本間的不均衡性。隨后利用RVM概率型輸出特性,提出了一種用以識(shí)別噪聲的檢測(cè)方法。接著將該檢測(cè)方法引入AdaBoostRVM中,提出基于噪聲檢測(cè)的Ad... 

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 相關(guān)向量機(jī)研究現(xiàn)狀
        1.2.2 分布式平臺(tái)研究現(xiàn)狀
    1.3 研究內(nèi)容和組織結(jié)構(gòu)
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的組織結(jié)構(gòu)
第2章 基于噪聲檢測(cè)的AdaBoostRVM分類算法
    2.1 引言
    2.2 數(shù)據(jù)預(yù)處理
        2.2.1 隨機(jī)欠采樣
        2.2.2 ADASYN過采樣
        2.2.3 混合采樣
    2.3 基于RVM特性的噪聲檢測(cè)方法
        2.3.1 RVM特性
        2.3.2 NDRF方法
    2.4 基于噪聲檢測(cè)的AdaBoostRVM算法
    2.5 實(shí)驗(yàn)
        2.5.1 實(shí)驗(yàn)數(shù)據(jù)集與參數(shù)設(shè)置
        2.5.2 模型評(píng)價(jià)指標(biāo)
        2.5.3 實(shí)驗(yàn)結(jié)果與分析
    2.6 本章小結(jié)
第3章 基于差異性度量的分布式RVM集成算法
    3.1 引言
    3.2 分布式RVM集成算法設(shè)計(jì)
    3.3 基于差異性度量的RVM多分類器組合策略
    3.4 Spark平臺(tái)下DE-RVM算法的實(shí)現(xiàn)
        3.4.1 Spark計(jì)算模型
        3.4.2 MapReduce階段
        3.4.3 DE-RVM實(shí)現(xiàn)
    3.5 實(shí)驗(yàn)
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集與參數(shù)設(shè)置
        3.5.2 運(yùn)行環(huán)境
        3.5.3 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于DE-RVM的橋梁裂縫損傷識(shí)別
    4.1 引言
    4.2 基于光纖光柵的橋梁結(jié)構(gòu)監(jiān)測(cè)系統(tǒng)
        4.2.1 光纖光柵傳感系統(tǒng)
        4.2.2 系統(tǒng)架構(gòu)及實(shí)現(xiàn)
    4.3 橋梁裂縫損傷識(shí)別應(yīng)用
        4.3.1 數(shù)據(jù)描述
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
在讀期間取得的學(xué)術(shù)成果
在讀期間參與的基金和項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于振動(dòng)信號(hào)樣本熵和相關(guān)向量機(jī)的萬能式斷路器分合閘故障診斷[J]. 孫曙光,于晗,杜太行,王景芹,趙黎媛.  電工技術(shù)學(xué)報(bào). 2017(07)
[2]經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c代價(jià)敏感支持向量機(jī)在癲癇腦電信號(hào)分類中的應(yīng)用[J]. 李冬梅,張洋,楊日東,陳子怡,田翔華,董楠,爾西丁·買買提,周毅.  生物醫(yī)學(xué)工程研究. 2017(01)
[3]基于信息熵的RVM-AdaBoost組合分類器[J]. 翟夕陽,王曉丹,李睿,賈琪.  計(jì)算機(jī)工程與應(yīng)用. 2018(05)
[4]基于開源生態(tài)系統(tǒng)的大數(shù)據(jù)平臺(tái)研究[J]. 雷軍,葉航軍,武澤勝,張鵬,謝龍,何炎祥.  計(jì)算機(jī)研究與發(fā)展. 2017(01)
[5]MapReduce大數(shù)據(jù)處理平臺(tái)與算法研究進(jìn)展[J]. 宋杰,孫宗哲,毛克明,鮑玉斌,于戈.  軟件學(xué)報(bào). 2017(03)
[6]基于支持向量機(jī)回歸組合模型的中長期降溫負(fù)荷預(yù)測(cè)[J]. 王寧,謝敏,鄧佳梁,劉明波,李嘉龍,王一,劉思捷.  電力系統(tǒng)保護(hù)與控制. 2016(03)
[7]貝葉斯機(jī)器學(xué)習(xí)前沿進(jìn)展綜述[J]. 朱軍,胡文波.  計(jì)算機(jī)研究與發(fā)展. 2015(01)
[8]通用集成學(xué)習(xí)算法的構(gòu)造[J]. 付忠良.  計(jì)算機(jī)研究與發(fā)展. 2013(04)
[9]不平衡多分類問題的連續(xù)AdaBoost算法研究[J]. 付忠良.  計(jì)算機(jī)研究與發(fā)展. 2011(12)
[10]稀疏貝葉斯模型與相關(guān)向量機(jī)學(xué)習(xí)研究[J]. 楊國鵬,周欣,余旭初.  計(jì)算機(jī)科學(xué). 2010(07)



本文編號(hào)：3668383