發(fā)布時(shí)間：2017-05-18 16:28

  本文關(guān)鍵詞：基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)近鄰分類算法，由筆耕文化傳播整理發(fā)布。

【摘要】：傳統(tǒng)的粗糙集理論是一種處理不完備、不完整數(shù)據(jù)的智能計(jì)算方法。傳統(tǒng)的模糊集理論也是一種重要的處理不精確,不確定信息的數(shù)學(xué)工具。模糊粗糙集是模糊集理論和粗糙集理論的有機(jī)結(jié)合體。模糊粗糙集可以靈活的處理模糊或者不精確的連續(xù)實(shí)值數(shù)據(jù)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法可以用來數(shù)據(jù)分類,但是需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù),并且很容易在沒達(dá)到全局最優(yōu)解之前,產(chǎn)生局部最優(yōu)解。為了解決這些問題,學(xué)者提出了一種新的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,即極限學(xué)習(xí)機(jī)算法。其主要思想是,它可以隨機(jī)初始化輸入權(quán)重和偏置,與傳統(tǒng)的學(xué)習(xí)算法相比,極限學(xué)習(xí)機(jī)訓(xùn)練速度更快,具有更好的泛化性能,更易解決局部最小值和過擬合等問題。在分類任務(wù)中,特征的重要程度起著關(guān)鍵性的作用。但是在實(shí)際的應(yīng)用中,不相關(guān)的特征存在,分類器的性能不可避免會(huì)產(chǎn)生下降。為了解決上述這些問題,本文提出了一個(gè)應(yīng)用比較廣泛的特征加權(quán)框架,并將該框架成功地運(yùn)用于三種不同的近鄰分類算法中來實(shí)現(xiàn)數(shù)據(jù)的分類。這三種不同的算法分別為：基于進(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰分類算法、基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)近鄰等價(jià)分類算法和基于進(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)模糊粗糙近鄰分類算法。該論文提出的三種分類算法的相同點(diǎn)是使用基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)框架,三者的不同點(diǎn)是將特征加權(quán)分別應(yīng)用于三種不同的近鄰算法中�；谶M(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰分類算法是將特征加權(quán)應(yīng)用到K近鄰分類算法中,實(shí)驗(yàn)證明了新的分類算法比較成功地提高了分類器的性能�；谶M(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰等價(jià)分類算法是將特征加權(quán)應(yīng)用K近鄰等價(jià)分類算法中,實(shí)驗(yàn)進(jìn)一步表明了新提出的算法有較高的分類準(zhǔn)確性和穩(wěn)定性�；谶M(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)模糊粗糙近鄰分類算法是將特征加權(quán)應(yīng)用到模糊粗糙近鄰分類算法中。該算法的提出是為了解決多分類問題中由于類的重疊引起訓(xùn)練樣本的模糊不確定性和由于屬性不足引起類邊界的粗糙不確定性。實(shí)驗(yàn)進(jìn)一步表明了該算法有著較高的分類優(yōu)越性。
【關(guān)鍵詞】：模糊粗糙集 近鄰算法 特征加權(quán) 極限學(xué)習(xí)機(jī) 數(shù)據(jù)分類
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-17
• 1.1 引言10
• 1.2 國內(nèi)外研究現(xiàn)狀10-14
• 1.3 主要研究內(nèi)容14-16
• 1.4 論文組織結(jié)構(gòu)16-17
• 第2章 進(jìn)化極限學(xué)習(xí)機(jī)的基本原理17-24
• 2.1 人工神經(jīng)網(wǎng)絡(luò)17-20
• 2.1.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)17-18
• 2.1.2 極限學(xué)習(xí)機(jī)18-20
• 2.2 進(jìn)化極限學(xué)習(xí)機(jī)20-22
• 2.2.1 差分進(jìn)化20-21
• 2.2.2 進(jìn)化極限學(xué)習(xí)機(jī)的原理21-22
• 2.3 特征加權(quán)22-23
• 2.4 小結(jié)23-24
• 第3章 模糊粗糙近鄰算法研究24-34
• 3.1 模糊粗糙集24-27
• 3.1.1 模糊集24-25
• 3.1.2 粗糙集25-26
• 3.1.3 模糊粗糙集的定義方法26-27
• 3.2 K近鄰分類算法27-28
• 3.3 K近鄰等價(jià)分類算法28-29
• 3.4 模糊粗糙近鄰算法29-33
• 3.4.1 算法簡介29-30
• 3.4.2 模糊粗糙近鄰算法分類原理30-33
• 3.5 小結(jié)33-34
• 第4章 基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)框架及其分類算法34-48
• 4.1 基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)框架34-35
• 4.2 基于進(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰分類算法35-39
• 4.2.1 算法描述35-36
• 4.2.2 實(shí)驗(yàn)36-37
• 4.2.3 實(shí)驗(yàn)分析37-39
• 4.3 基于進(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰等價(jià)分類算法39-42
• 4.3.1 算法描述39-40
• 4.3.2 實(shí)驗(yàn)40-41
• 4.3.3 實(shí)驗(yàn)分析41-42
• 4.4 基于進(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)模糊粗糙近鄰分類算法42-46
• 4.4.1 算法描述42-43
• 4.4.2 實(shí)驗(yàn)43-44
• 4.4.3 實(shí)驗(yàn)分析44-46
• 4.5 小結(jié)46-48
• 第5章 總結(jié)與展望48-51
• 5.1 論文總結(jié)48-49
• 5.2 工作展望49-51
• 參考文獻(xiàn)51-56
• 攻讀學(xué)位期間公開發(fā)表論文56-57
• 致謝57

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 華銳;梁娜;;特征加權(quán)樸素貝葉斯分類器在小樣本中的應(yīng)用[J];統(tǒng)計(jì)與決策;2012年23期

2 朱紅寧;張斌;;特征加權(quán)集對分析方法[J];計(jì)算機(jī)科學(xué);2009年09期

3 張翔;鄧趙紅;王士同;;具有更好適應(yīng)性的間距最大化特征加權(quán)[J];計(jì)算機(jī)應(yīng)用;2010年09期

4 付劍鋒;劉宗田;劉煒;單建芳;;基于特征加權(quán)的事件要素識別[J];計(jì)算機(jī)科學(xué);2010年03期

5 陳新泉;;特征加權(quán)的模糊C聚類算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2007年22期

6 王晨;樊小紅;;基于特征加權(quán)的交通事件檢測研究[J];微電子學(xué)與計(jì)算機(jī);2012年10期

7 黎佳;王明文;何世柱;柯麗;;基于特征加權(quán)的半監(jiān)督聚類研究[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

8 陸成剛,陳剛;利用特征加權(quán)進(jìn)行基于小波框架變換的紅外目標(biāo)檢測[J];系統(tǒng)仿真學(xué)報(bào);2001年03期

9 劉磊;陳興蜀;尹學(xué)淵;段意;呂昭;;基于特征加權(quán)樸素貝葉斯分類算法的網(wǎng)絡(luò)用戶識別[J];計(jì)算機(jī)應(yīng)用;2011年12期

10 饒剛;劉瓊蓀;高君健;;基于灰色特征加權(quán)支持向量機(jī)的二維函數(shù)擬合[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年10期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 杜玫芳;王昕;;基于特征加權(quán)的模糊c均值聚類算法及其應(yīng)用[A];2008通信理論與技術(shù)新進(jìn)展——第十三屆全國青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 黃瓊芳;特征加權(quán)組稀疏模式分析算法及其在水電機(jī)組故障診斷中的應(yīng)用[D];浙江工業(yè)大學(xué);2015年

2 張娜娜;基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)近鄰分類算法[D];大連海事大學(xué);2016年

3 馬會(huì)敏;幾種特征加權(quán)支持向量機(jī)方法的比較研究[D];河北大學(xué);2010年

4 王秀菲;基于特征加權(quán)支持向量機(jī)的復(fù)合材料粘接缺陷量化識別研究[D];內(nèi)蒙古大學(xué);2011年

5 馬萍;貝葉斯網(wǎng)絡(luò)與基于特征加權(quán)的聚類研究[D];大連理工大學(xué);2011年

6 吳彪;基于信息論的特征加權(quán)和主題驅(qū)動(dòng)協(xié)同聚類算法研究[D];哈爾濱工業(yè)大學(xué);2008年

7 周計(jì)美;基于特征加權(quán)單類支持向量機(jī)的顏色識別算法及其在異色物檢測中的研究[D];內(nèi)蒙古大學(xué);2012年

8 陳曉琳;采用ReliefF特征加權(quán)的NIC算法研究[D];鄭州大學(xué);2014年

9 周徐寧;基于特征加權(quán)連續(xù)隱馬爾可夫模型的故障診斷方法研究[D];上海交通大學(xué);2012年

10 劉建林;基于樣本—特征加權(quán)的模糊核聚類算法研究及應(yīng)用[D];華東交通大學(xué);2013年

  本文關(guān)鍵詞：基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)近鄰分類算法，由筆耕文化傳播整理發(fā)布。

，

本文編號：376562