基于随机配置网络的学习型伪度量方法及实验研究

发布时间：2021-02-18 22:36

　　相似性度量作为数据挖掘与机器学习中相当重要的概念,其方法和应用得到了广泛的关注。传统的度量方法分为距离度量和相似系数度量,由于它们缺乏学习能力,使得应用领域存在一定局限性。后来的学习型伪度量方法避免了这个局限性,并在图像检索与分类领域获得了成功应用。然而,这种学习型伪度量模型的建立采用的是BP神经网络算法,而BP网络的训练容易陷入局部最优,且算法时间复杂度较高。因此,本文使用一种训练效率较高的随机配置网络代替BP网络,研究了基于随机配置网络的学习型伪度量方法,并应用于案例推理分类器的检索环节,通过实验证明了它可以提高案例推理分类器的性能。本文的主要工作内容如下:（1）针对传统度量方法缺乏学习能力的问题,提出将随机配置网络替换BP神经网络并应用于学习型伪度量方法中,并给出了算法步骤。首先根据学习型伪度量的定义构建出训练样本集,接着以分类为例,定义了训练随机配置网络的伪度量准则,在此基础上,利用训练样本集训练随机配置网络,并分析了网络的通用逼近性。通过对比实验,表明基于随机配置网络的相似性度量性能优于BP神经网络,可以有效发挥随机配置网络在监督机制下确定网络结构和训练速度快的优势;（2）以... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

历史故障案例库界面

图 4-17 故障检测模型开发界面Fig. 4-17 The development interface of fault detection model4) 全局脚本运行策略。对脚本文件进行编写，完成后需要在运行策略中设置触发时间，本策略根据实际现场数据采集频率设置触发周期为 5 分钟/次，即 5分钟检测一次。全局脚本运行策略设置界面如图 4-18 所示。

图 4-17 故障检测模型开发界面Fig. 4-17 The development interface of fault detection model4) 全局脚本运行策略。对脚本文件进行编写，完成后需要在运行策略中设置触发时间，本策略根据实际现场数据采集频率设置触发周期为 5 分钟/次，即 5分钟检测一次。全局脚本运行策略设置界面如图 4-18 所示。


本文编号：3040193