基于因素空间理论的数据离散化方法和差转计算的融合

发布时间：2022-11-06 13:57

　　为解决差转计算关于连续型因素的经验知识的泛化有效性欠佳的问题,研究基于因素空间理论的数据离散化算法及其与差转计算算法的融合.主要做了如下工作:首先,证明了因素合、析运算与商集合和、积运算之间的等价关系;其次,基于因素空间的人工认知原理,提出因素信息变换的思想和方法,并据此构造了一种适用于差转计算的新的数据离散化算法;最后,统一了差转计算在离散型和连续型两类因素下的算法表达,并在四个不同的UCI数据集上验证了融合算法的有效性.结果表明:融合算法显著改善了连续型因素经验知识的泛化效果;与同为产生式推理算法的决策树比较,二者经验知识泛化的准确率及模型综合性能表现相当,但差转计算的经验知识的可回溯性和可解释性优于决策树,经验知识无需剪枝且表现为鱼骨图结构,知识表达更为简明,应用更为简单。 

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景与问题的提出
    1.2 因素空间发展历程
    1.3 差转计算研究现状
    1.4 本文的主要工作
2 基础理论概述
    2.1 基础知识概述
    2.2 因素运算的新定理
    2.3 差转计算算法概述
3 基于因素空间的数据离散化方法
    3.1 数据离散化新算法思想原理
    3.2 数据离散化新算法
    3.3 离散化新算法与差转计算的融合
4 融合算法的实证分析
    4.1 数据集及相关说明
    4.2 融合算法实证分析
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简介
学位论文数据集



本文编号：3703622