面向不同数据环境的无/有监督建模方法研究

发布时间：2022-01-23 15:59

　　最近几年,机器学习方法随着人工智能的火热得到了迅猛发展,在医疗、交通、金融等领域得到了广泛的应用。但是,随着应用场景的不断扩大,数据的规模和形式也变得复杂,多样化的数据场景,例如大模糊数据场景和多视角数据场景等给传统的机器学习方法带来了巨大的挑战。在无监督学习和有监督学习中,传统的聚类分析和TSK模糊系统在面对这些复杂的数据场景时,所遇到的挑战包括以下几个方面:1)在大规模数据场景下,基于代表点的聚类方法和TSK模糊系统在可容忍的时间内无法获取有效的模式识别信息;2)面对维数较高的数据时,TSK模糊系统会出现“规则爆炸”问题,同时模糊系统的可解释性显著降低;3)面对多视角数据时,虽然通过传统的聚类方法可以获取各个视角的模式识别信息并通过集成机制可以获得全局结果,但是,单独在每个视角进行聚类,忽略了视角之间可能存在的关系,使得最终获取的模式识别信息无法达到应用需求。针对上述问题,本论文将从无监督学习和有监督学习2个方面,探讨他们在不同数据场景下的建模问题,主要研究成果如下:（1）提出了一种基于代表点评分策略的快速自适应聚类算法ESFSAC。该算法利用FRSDE将原始数据集进行压缩,获得能... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：132 页

【学位级别】：博士

【部分图文】：

病变视网膜图像血管分割结果

Fig.1-4 The procedure of unsupervised learning图 1-4 有监督学习预测过程，对于大部分有监督学习方法，如支持向量机，神经网络等，它们学习后图 1-4 中的 Final Model)对于用户来说是个“黑盒子”，对用户来说具有不透明具有很好回归性能或分类精度，却不具备可解释性。在有监督学习模式中方法，即模糊系统(Fuzzy System)[4]，它们不仅具备强大的学习能力，还具性。系统是在模糊集和模糊推理的基础之上发展起来的一种有监督学习方法，世界中的自然语言转化成与人们推理机制相吻合的模糊规则，因此，其应人文、社会等领域。模糊系统一般由四个功能模块组成，分别是模糊化机库、模糊推理引擎以及去模糊化机构，其基本的结构如图 1-5 所示。模糊化机构 模糊推理引擎 去模糊化机构模糊规则库

章 基于代表点评分策略的大规模数据无监督过程中所形成的簇结构。样本的 ES 值以及在剩余集样本标定过算法的效率有着非常大的帮助，接下来速效果。按照图 2-4 中的概率分布图[10]，样本的规模分别为 1500，3000，80000 以及 340000。对于 DS5.1-DS5.4，直接.5-DS5.10，利用 FRSDE 对原始数据集证既定的目标，分别统计 EES、RSC 和

【参考文献】：
期刊论文
[1]K近邻优化的密度峰值快速搜索聚类算法[J]. 谢娟英,高红超,谢维信.  中国科学:信息科学. 2016(02)
[2]基于划分自适应融合的多视角模糊聚类算法[J]. 邓赵红,张丹丹,蒋亦樟,刘解放,王士同.  控制与决策. 2016(04)
[3]熵加权多视角协同划分模糊聚类算法[J]. 蒋亦樟,邓赵红,王骏,钱鹏江,王士同.  软件学报. 2014(10)
[4]最小学习机[J]. 王士同,钟富礼.  江南大学学报(自然科学版). 2010(05)

博士论文
[1]慢性病信息管理系统中视网膜图像的互操作性及其血管网络定量分析研究[D]. 吴辉群.复旦大学 2014



本文编号：3604690