基于增量学习的物流数据分类算法研究

发布时间：2021-04-24 04:54

　　随着科学技术的进步,物流行业随之快速发展。物流企业为了更好地抢占市场,充分运用当代先进技术,如数据挖掘、云计算、物联网等。这些技术为物流企业带来经济利益的同时,也加快了国内物流发展。物流业快速发展的同时,也产生了大量物流相关数据,而如何高效地处理这些数据成为现今物流业需要大力解决的问题。本文主要对海量的物流数据处理进行了研究,对支持向量机（Support Vector Machine,SVM）分类算法进行了改进,使其适用于物流数据的处理,提高物流业相关数据的处理速度,降低数据冗余,挖掘物流数据中的潜在价值,为物流企业提供决策支持,改善了传统物流数据处理效率低下的问题。本文的主要创新点可以概括为以下两点。（1）针对物流数据分类处理时数据收敛速度慢的问题,本文对随机梯度下降算法进行研究。鉴于随机梯度下降算法在梯度下降寻找全局最优解过程中出现的之字形下降的问题,提出一种基于双样本的随机梯度下降算法（Double Sample Stochastic Gradient Descent,DSSGD）。该算法利用当前时刻数据样本梯度和前一时刻的数据样本梯度的合向量作为梯度下降方向,可优化数据收敛方向... 

【文章来源】：南京邮电大学江苏省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景与意义
    1.2 相关知识介绍
        1.2.1 增量学习
        1.2.2 数据分类
    1.3 物流应用前景
        1.3.1 国内外物流发展现状
        1.3.2 现代物流及相关技术
        1.3.3 我国物流发展前景
        1.3.4 物流数据处理现状
    1.4 论文的主要研究内容
    1.5 论文的主要章节安排
第二章 基于双样本的一种随机梯度下降改进算法
    2.1 相关工作
    2.2 预备知识
        2.2.1 梯度下降算法
        2.2.2 随机梯度下降算法
    2.3 改进算法描述
    2.4 算法实验结果及分析
    2.5 本章小结
第三章 基于遗忘因子的SVMSGD分类算法
    3.1 相关工作
    3.2 预备知识
        3.2.1 基于随机梯度下降的SVM分类算法
        3.2.2 遗忘因子概述
        3.2.3 改进算法描述
    3.3 算法实验结果及分析
    3.4 本章小结
第四章 总结与展望
    4.1 论文工作总结
    4.2 论文工作展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]网络大数据下的冗余数据分类优化算法研究[J]. 欧阳柏成.  微电子学与计算机. 2015(01)
[2]基于K最近邻分类的无线传感器网络定位算法[J]. 石欣,印爱民,张琦.  仪器仪表学报. 2014(10)
[3]基于Bagging的概率神经网络集成分类算法[J]. 蒋芸,陈娜,明利特,周泽寻,谢国城,陈珊.  计算机科学. 2013(05)
[4]基于贝叶斯算法和费舍尔算法的垃圾邮件过滤系统设计与实现[J]. 范仕伦,薛天俊,夏玮.  信息网络安全. 2012(09)
[5]基于朴素贝叶斯算法的改进遗传算法分类研究[J]. 张增伟,吴萍.  计算机工程与设计. 2012(02)
[6]一种SVM增量学习算法α-ISVM[J]. 萧嵘,王继成,孙正兴,张福炎.  软件学报. 2001(12)

博士论文
[1]模式分类的K-近邻方法[D]. 苟建平.电子科技大学 2013
[2]BP神经网络分类器优化技术研究[D]. 高鹏毅.华中科技大学 2012



本文编号：3156715