当前位置:主页 > 科技论文 > 自动化论文 >

基于进化极限学习机的特征加权近邻分类算法

发布时间:2017-05-18 16:28

  本文关键词:基于进化极限学习机的特征加权近邻分类算法,由笔耕文化传播整理发布。


【摘要】:传统的粗糙集理论是一种处理不完备、不完整数据的智能计算方法。传统的模糊集理论也是一种重要的处理不精确,不确定信息的数学工具。模糊粗糙集是模糊集理论和粗糙集理论的有机结合体。模糊粗糙集可以灵活的处理模糊或者不精确的连续实值数据。传统的神经网络学习算法可以用来数据分类,但是需要人为设置大量的网络训练参数,并且很容易在没达到全局最优解之前,产生局部最优解。为了解决这些问题,学者提出了一种新的单隐层前馈神经网络学习算法,即极限学习机算法。其主要思想是,它可以随机初始化输入权重和偏置,与传统的学习算法相比,极限学习机训练速度更快,具有更好的泛化性能,更易解决局部最小值和过拟合等问题。在分类任务中,特征的重要程度起着关键性的作用。但是在实际的应用中,不相关的特征存在,分类器的性能不可避免会产生下降。为了解决上述这些问题,本文提出了一个应用比较广泛的特征加权框架,并将该框架成功地运用于三种不同的近邻分类算法中来实现数据的分类。这三种不同的算法分别为:基于进化极限学习机的加权近邻分类算法、基于进化极限学习机的特征加权近邻等价分类算法和基于进化极限学习机的加权模糊粗糙近邻分类算法。该论文提出的三种分类算法的相同点是使用基于进化极限学习机的特征加权框架,三者的不同点是将特征加权分别应用于三种不同的近邻算法中。基于进化极限学习机的加权近邻分类算法是将特征加权应用到K近邻分类算法中,实验证明了新的分类算法比较成功地提高了分类器的性能。基于进化极限学习机的加权近邻等价分类算法是将特征加权应用K近邻等价分类算法中,实验进一步表明了新提出的算法有较高的分类准确性和稳定性。基于进化极限学习机的加权模糊粗糙近邻分类算法是将特征加权应用到模糊粗糙近邻分类算法中。该算法的提出是为了解决多分类问题中由于类的重叠引起训练样本的模糊不确定性和由于属性不足引起类边界的粗糙不确定性。实验进一步表明了该算法有着较高的分类优越性。
【关键词】:模糊粗糙集 近邻算法 特征加权 极限学习机 数据分类
【学位授予单位】:大连海事大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP18
【目录】:
  • 摘要5-6
  • ABSTRACT6-10
  • 第1章 绪论10-17
  • 1.1 引言10
  • 1.2 国内外研究现状10-14
  • 1.3 主要研究内容14-16
  • 1.4 论文组织结构16-17
  • 第2章 进化极限学习机的基本原理17-24
  • 2.1 人工神经网络17-20
  • 2.1.1 单隐层前馈神经网络17-18
  • 2.1.2 极限学习机18-20
  • 2.2 进化极限学习机20-22
  • 2.2.1 差分进化20-21
  • 2.2.2 进化极限学习机的原理21-22
  • 2.3 特征加权22-23
  • 2.4 小结23-24
  • 第3章 模糊粗糙近邻算法研究24-34
  • 3.1 模糊粗糙集24-27
  • 3.1.1 模糊集24-25
  • 3.1.2 粗糙集25-26
  • 3.1.3 模糊粗糙集的定义方法26-27
  • 3.2 K近邻分类算法27-28
  • 3.3 K近邻等价分类算法28-29
  • 3.4 模糊粗糙近邻算法29-33
  • 3.4.1 算法简介29-30
  • 3.4.2 模糊粗糙近邻算法分类原理30-33
  • 3.5 小结33-34
  • 第4章 基于进化极限学习机的特征加权框架及其分类算法34-48
  • 4.1 基于进化极限学习机的特征加权框架34-35
  • 4.2 基于进化极限学习机的加权近邻分类算法35-39
  • 4.2.1 算法描述35-36
  • 4.2.2 实验36-37
  • 4.2.3 实验分析37-39
  • 4.3 基于进化极限学习机的加权近邻等价分类算法39-42
  • 4.3.1 算法描述39-40
  • 4.3.2 实验40-41
  • 4.3.3 实验分析41-42
  • 4.4 基于进化极限学习机的加权模糊粗糙近邻分类算法42-46
  • 4.4.1 算法描述42-43
  • 4.4.2 实验43-44
  • 4.4.3 实验分析44-46
  • 4.5 小结46-48
  • 第5章 总结与展望48-51
  • 5.1 论文总结48-49
  • 5.2 工作展望49-51
  • 参考文献51-56
  • 攻读学位期间公开发表论文56-57
  • 致谢57

【相似文献】

中国期刊全文数据库 前10条

1 华锐;梁娜;;特征加权朴素贝叶斯分类器在小样本中的应用[J];统计与决策;2012年23期

2 朱红宁;张斌;;特征加权集对分析方法[J];计算机科学;2009年09期

3 张翔;邓赵红;王士同;;具有更好适应性的间距最大化特征加权[J];计算机应用;2010年09期

4 付剑锋;刘宗田;刘炜;单建芳;;基于特征加权的事件要素识别[J];计算机科学;2010年03期

5 陈新泉;;特征加权的模糊C聚类算法[J];计算机工程与设计;2007年22期

6 王晨;樊小红;;基于特征加权的交通事件检测研究[J];微电子学与计算机;2012年10期

7 黎佳;王明文;何世柱;柯丽;;基于特征加权的半监督聚类研究[J];广西师范大学学报(自然科学版);2011年01期

8 陆成刚,陈刚;利用特征加权进行基于小波框架变换的红外目标检测[J];系统仿真学报;2001年03期

9 刘磊;陈兴蜀;尹学渊;段意;吕昭;;基于特征加权朴素贝叶斯分类算法的网络用户识别[J];计算机应用;2011年12期

10 饶刚;刘琼荪;高君健;;基于灰色特征加权支持向量机的二维函数拟合[J];计算机工程与设计;2012年10期

中国重要会议论文全文数据库 前1条

1 杜玫芳;王昕;;基于特征加权的模糊c均值聚类算法及其应用[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集(上)[C];2008年

中国硕士学位论文全文数据库 前10条

1 黄琼芳;特征加权组稀疏模式分析算法及其在水电机组故障诊断中的应用[D];浙江工业大学;2015年

2 张娜娜;基于进化极限学习机的特征加权近邻分类算法[D];大连海事大学;2016年

3 马会敏;几种特征加权支持向量机方法的比较研究[D];河北大学;2010年

4 王秀菲;基于特征加权支持向量机的复合材料粘接缺陷量化识别研究[D];内蒙古大学;2011年

5 马萍;贝叶斯网络与基于特征加权的聚类研究[D];大连理工大学;2011年

6 吴彪;基于信息论的特征加权和主题驱动协同聚类算法研究[D];哈尔滨工业大学;2008年

7 周计美;基于特征加权单类支持向量机的颜色识别算法及其在异色物检测中的研究[D];内蒙古大学;2012年

8 陈晓琳;采用ReliefF特征加权的NIC算法研究[D];郑州大学;2014年

9 周徐宁;基于特征加权连续隐马尔可夫模型的故障诊断方法研究[D];上海交通大学;2012年

10 刘建林;基于样本—特征加权的模糊核聚类算法研究及应用[D];华东交通大学;2013年


  本文关键词:基于进化极限学习机的特征加权近邻分类算法,由笔耕文化传播整理发布。



本文编号:376562

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/376562.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户1f26b***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com