基于机器学习方法的分类与预测问题研究

发布时间：2021-08-07 19:37

　　随着计算机与互联网技术的不断发展,海量数据信息存在于日常生活中的各个领域,人们可以从海量数据中获取丰富的有价值信息。伴随着大数据时代的到来,各个领域都迎来了新的挑战,如何提高对海量数据的分析与应用效率,已经成为人们关注的热点问题。机器学习作为人工智能的重要分支,在大数据的研究与处理方面处于最前沿的研究方法。绝大多数的机器学习算法本质都是建立优化模型,使用优化算法对目标函数进行优化,通过训练得到最优模型。因此,优化算法在机器学习算法的研究与实现中占有主导地位。本文主要对BP神经网络、支持向量机（Support Vector Machine,SVM）以及几种智能优化算法进行研究,并将这些算法应用到不同研究背景下分析其可行性和实用性。论文主要研究内容如下:（1）为了更好的平衡粒子的全局搜索能力和局部开发能力,解决GSA中存在的过早收敛、局部优化能力差等问题。将PSO算法中的群体信息交流功能与GSA算法中的局部搜索功能相结合,提出了基于时变惯性权重策略的PSO-GSA算法（TVIW-PSOGSA）。选取23个基准测试函数评估TVIW-PSO-GSA算法的寻优性能。实验结果表明,与PSO-GSA... 

【文章来源】：中北大学山西省

【文章页数】：147 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 机器学习概述
    1.3 智能优化算法概述
    1.4 本文主要研究内容
第2章 改进的GSA算法及在函数寻优问题上的应用
    2.1 万有引力搜索算法
        2.1.1 万有引力定理
        2.1.2 万有引力搜索算法原理
        2.1.3 万有引力搜索算法研究现状
    2.2 基于时变惯性权重策略的PSO-GSA算法
    2.3 基于TVIW-PSO-GSA算法的函数寻优结果及分析
        2.3.1 参数设置
        2.3.2 寻优测试函数
        2.3.3 寻优精度分析
    2.4 本章小结
第3章 改进SVM算法及在空气质量等级分类预测问题中的应用
    3.1 空气质量评价指数
    3.2 支持向量机
        3.2.1 线性可分SVM与硬间隔最大化
        3.2.2 线性SVM与软间隔最大化
        3.2.3 非线性SVM与核函数
    3.3 基于TVIW-PSO-GSA算法的SVM模型
    3.4 基于TVIW-PSO-GSA-SVM算法的分类预测结果及分析
        3.4.1 空气质量等级分类预测结果及分析
        3.4.2 UCI数据集分类结果及分析
    3.5 本章小结
第4章 基于改进人工神经网络与SVR方法的流感预测问题研究
    4.1 流感样病例监测
    4.2 基于GFT数据的ILI预测
        4.2.1 多元线性回归模型
        4.2.2 非线性人工神经网络模型
        4.2.3 实验结果比较与分析
    4.3 基于分季流感数据的ILI预测
        4.3.1 流感样病例分布特征
        4.3.2 分季流感预测模型的建立
        4.3.3 实验结果比较与分析
    4.4 基于Twitter数据的ILI预测
        4.4.1 流感预测模型的建立
        4.4.2 改进的支持向量回归机模型
        4.4.3 实验结果比较与分析
    4.5 本章小结
第5章 改进的神经网络方法及在DOA估计问题中的应用
    5.1 DOA估计应用背景
    5.2 矢量水听器阵列信号处理模型
        5.2.1 模型假设
        5.2.2 阵列信号处理模型
    5.3 改进人工神经网络的DOA估计方法
        5.3.1 基于TVIW-PSO-GSA-BP神经网络的DOA估计方法
        5.3.2 实验及性能分析
    5.4 智能优化算法优化MUSIC算法的DOA估计方法
        5.4.1 MUSIC算法
        5.4.2 TVIW-PSO-GSA算法优化MUSIC算法的DOA估计方法
        5.4.3 实验结果及性能分析
    5.5 本章小结
第6章 总结与展望
    6.1 主要研究工作
    6.2 论文创新点
    6.3 工作展望
参考文献
攻读博士期间发表的论文及所取得的研究成果
致谢


【参考文献】：
期刊论文
[1]基于随机黑洞和自适应策略的引力搜索算法[J]. 吕方林,罗凤鸣,张兵城.  西华大学学报(自然科学版). 2019(03)
[2]融合混沌反学习与蜂群搜索算子的引力搜索算法[J]. 丁知平.  计算机系统应用. 2018(04)
[3]万有引力搜索算法的改进[J]. 杨元荣.  系统仿真技术. 2018(01)
[4]大数据战略是新时代建设网络强国的着力点[J]. 王世伟.  网信军民融合. 2018(02)
[5]基于动态引力常数和种群递减的引力搜索算法[J]. 李静,高兴宝.  系统科学与数学. 2018(01)
[6]基于大数据分析的海量信息软件系统设计与开发[J]. 李锦华.  软件工程. 2017(11)
[7]基于引力搜索算法的复杂产品装配规划研究[J]. 史亚斌,李翌辉,吴安乐.  科技创新导报. 2017(30)
[8]改进的引力搜索算法用于阵列天线方向图综合[J]. 孙翠珍,丁君,兰建锋,郭陈江,袁建涛.  西北工业大学学报. 2017(05)
[9]基于果蝇算法优化广义回归神经网络的矢量水听器的DOA估计[J]. 王鹏,张楠,郭亚强,白艳萍.  数学的实践与认识. 2017(13)
[10]基于鸟类群体响应的万有引力搜索算法及其在数据聚类中的应用[J]. 胡楠,同东辉,冉冉,王欣柳,韩晓红,兰媛.  山西科技. 2016(06)

博士论文
[1]基于声矢量阵的高分辨方位估计技术研究[D]. 徐海东.哈尔滨工程大学 2004

硕士论文
[1]MEMS矢量水听器及其阵列应用于声呐浮标的关键技术研究[D]. 沈倪鑫.中北大学 2019
[2]基于社交网络的流感监控和预测算法[D]. 黄江妙.华东师范大学 2015
[3]中国31个主要城市空气质量评价及主要污染物浓度预测[D]. 王露云.重庆师范大学 2014
[4]中国海洋安全及其战略研究[D]. 王荣.内蒙古大学 2013
[5]深圳市流感与大气环境的关系研究及其预测模型的建立[D]. 翟红楠.中国地质大学 2009
[6]科学发展观视阈下我国海洋经济可持续发展研究[D]. 孙洪芬.山东大学 2008



本文编号：3328407