近年來,機(jī)器學(xué)習(xí)隨著人工智能的火熱得到了如火如荼地發(fā)展,在推薦系統(tǒng)、機(jī)器翻譯、語音識別等領(lǐng)域得到了廣泛而成功應(yīng)用。但是,隨著應(yīng)用場景的不斷擴(kuò)大,數(shù)據(jù)的規(guī)模和形式也變得復(fù)雜,多樣化的數(shù)據(jù)場景,例如含有噪音特征和噪音標(biāo)簽的訓(xùn)練數(shù)據(jù)等,給傳統(tǒng)的機(jī)器學(xué)習(xí)方法帶來了巨大的挑戰(zhàn)。在有監(jiān)督機(jī)器學(xué)習(xí)中,經(jīng)典的神經(jīng)網(wǎng)絡(luò)和TSK模糊系統(tǒng)在面對這些復(fù)雜的數(shù)據(jù)場景時,往往會遇到如下問題:由于技術(shù)的限制,采集到的數(shù)據(jù)不可避免的含有噪音或不確定數(shù)據(jù)。當(dāng)使用這些含有噪音和不確定信息的數(shù)據(jù)進(jìn)行學(xué)習(xí)建模時,得到的模型往往泛化性能較差;其次,采集到的原始數(shù)據(jù),不可避免的會被工人標(biāo)注錯,或不能確定其類標(biāo)。如何對錯誤的類標(biāo)進(jìn)行矯正,也是一個亟需要解決的問題。針對上述問題,本文將在現(xiàn)有經(jīng)典機(jī)器學(xué)習(xí)的基礎(chǔ)之上,通過構(gòu)建不同的集成分類器,以期得到能夠解決在復(fù)雜數(shù)據(jù)場景下的建模方法,主要研究成果如下:（1）提出了一種基于模糊劃分和模糊加權(quán)的集成深度信念網(wǎng)絡(luò)FE-DBN,用于處理大規(guī)模復(fù)雜數(shù)據(jù)的分類問題。首先通過模糊聚類算法對輸入數(shù)據(jù)空間進(jìn)行模糊劃分,將訓(xùn)練數(shù)據(jù)劃分為多個子集,然后利用多個不同結(jié)構(gòu)的DBN獨(dú)立的對各個子集并行進(jìn)行訓(xùn)練,... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：105 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 經(jīng)典機(jī)器學(xué)習(xí)研究現(xiàn)狀
        1.2.1 模糊系統(tǒng)研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.3 集成學(xué)習(xí)研究現(xiàn)狀
    1.3 課題研究內(nèi)容和本文結(jié)構(gòu)
第二章 基于模糊劃分和模糊加權(quán)的集成深度信念網(wǎng)絡(luò)
    2.1 引言
    2.2 基于模糊劃分和模糊加權(quán)的DBN分類器集成
        2.2.1 FE-DBN結(jié)構(gòu)圖
        2.2.2 實(shí)現(xiàn)過程
    2.3 算法及其復(fù)雜度分析
        2.3.1 FE-DBN算法描述
        2.3.2 時間復(fù)雜度分析
    2.4 實(shí)驗(yàn)與分析
        2.4.1 實(shí)驗(yàn)設(shè)置
        2.4.2 人造數(shù)據(jù)集實(shí)驗(yàn)
        2.4.3 UCI數(shù)據(jù)集實(shí)驗(yàn)
    2.5 本章小結(jié)
第三章 基于模糊聚類和KNN的具有高可解釋的并行集成模糊分類器
    3.1 引言
    3.2 迭代模糊聚類算法IFCM
    3.3 EP-TSK-FK
        3.3.1 EP-TSK-FK的架構(gòu)
        3.3.2 EP-TSK-FK算法描述
        3.3.3 時間復(fù)雜度分析
        3.3.4 理論證明
    3.4 實(shí)驗(yàn)分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 UCI和 KEEL數(shù)據(jù)集實(shí)驗(yàn)
        3.4.3 非參數(shù)統(tǒng)計(jì)分析
        3.4.4 運(yùn)行原理及可解釋性展示
    3.5 本章小結(jié)
第四章 基于DBN的模糊深度分類器及其在AAL中的應(yīng)用
    4.1 引言
    4.2 現(xiàn)有的模糊深度分類器
    4.3 DBN-TSK-FC
        4.3.1 DBN-TSK-FC的架構(gòu)
        4.3.2 DBN-TSK-FC訓(xùn)練及預(yù)測算法
        4.3.3 時間復(fù)雜度分析
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 UCI數(shù)據(jù)集實(shí)驗(yàn)
        4.4.3 非參數(shù)統(tǒng)計(jì)分析
        4.4.4 AAL數(shù)據(jù)集實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 具有標(biāo)簽抗噪能力的集成TSK模糊分類器及其在眾包中的應(yīng)用
    5.1 引言
    5.2 準(zhǔn)備知識
    5.3 TSK-noise-FC
    5.4 EW-TSK-CS
        5.4.1 EW-TSK-CS的結(jié)構(gòu)
        5.4.2 EW-TSK-CS的算法描述
        5.4.3 時間復(fù)雜度分析
    5.5 實(shí)驗(yàn)與分析
        5.5.1 實(shí)驗(yàn)設(shè)置
        5.5.2 UCI數(shù)據(jù)集仿真實(shí)驗(yàn)
        5.5.3 非參數(shù)統(tǒng)計(jì)分析
        5.5.4 電力價格數(shù)據(jù)集實(shí)驗(yàn)
    5.6 本章小結(jié)
第六章 結(jié)束語
致謝
參考文獻(xiàn)
附錄
    附錄1 :攻讀博士學(xué)位期間發(fā)表的論文
    附錄2 :攻讀博士學(xué)位期間參與的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于代表點(diǎn)評分策略的快速自適應(yīng)聚類算法[J]. 張遠(yuǎn)鵬,鄧趙紅,鐘富禮,杭文龍,王士同.  計(jì)算機(jī)研究與發(fā)展. 2018(01)
[2]多視角模糊雙加權(quán)可能性聚類算法[J]. 蔣亦樟,朱麗,劉麗,王士同.  智能系統(tǒng)學(xué)報. 2017(06)
[3]Crowdsourcing label quality: a theoretical analysis[J]. WANG Wei,ZHOU Zhi-Hua.  Science China（Information Sciences）. 2015(11)
[4]最小學(xué)習(xí)機(jī)[J]. 王士同,鐘富禮.  江南大學(xué)學(xué)報(自然科學(xué)版). 2010(05)



本文編號：3179828