基于决策逻辑的增量学习算法研究

发布时间：2022-11-06 17:54

　　随着数据库技术的发展和应用,社会各部门积累了大量的数据,而且这些数据每一天都在增加,数据挖掘是发现这些数据背后隐藏的知识的有效手段。但是,如果在数据库更新之后要对全部数据重新进行挖掘,需要消耗大量的资源,这导致对增量挖掘算法的迫切需求。把增量算法与数据库的更新结合在一起,渐增地进行知识的更新,修正和加强先前业已发现的知识,从而使得修正后的知识库能够适应更新后的数据库,而不必重新挖掘全部数据。 粗糙集理论是数据挖掘的方法之一,它是处理模糊和不确定知识的一种数学工具,已在人工智能与知识发现、模式识别、智能控制、智能决策、冲突分析及故障检测等方面得到了较好应用。但是,目前基于粗糙集理论提出的数据挖掘算法主要都是针对静态数据集,考虑到实际应用的需求和粗糙集理论的现状,本文主要对粗糙集理论的增量算法进行研究。而粗糙集中的决策逻辑作为一种从信息系统中获取蕴涵于其中知识的模型,使用逻辑推演中的符号工具,能够有效发现知识的依赖性并对知识进行简化,而且能够准确的描述新增样例的状态,所以本文选择决策逻辑理论作为增量学习研究的理论基础。 本文首先对... 

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
第1章 引言
    1.1 选题背景及意义
    1.2 增量学习的研究现状
    1.3 论文结构
第2章 决策逻辑语言简介
    2.1 决策表
    2.2 决策逻辑语言
    2.3 决策逻辑的语法与语义
        2.3.1 决策逻辑的语法
        2.3.2 决策逻辑的语义
    2.4 决策规则和决策算法
        2.4.1 决策规则
        2.4.2 决策算法
    2.5 协调算法的约简
    2.6 决策规则的约简
    2.7 极小决策算法
    2.8 完备极小决策算法
第3章 基于决策逻辑的增量学习理论分析
    3.1 新增样例的分类
    3.2 理论分析
        3.2.1 新增巩固样例
        3.2.2 新增全新样例
        3.2.3 新增部分矛盾样例
        3.2.4 新增完全矛盾样例
第4章 算法设计及算法复杂性分析
    4.1 算法设计
        4.1.1 经典的非增量学习算法描述
        4.1.2 ILABDL算法设计
    4.2 算法复杂性分析
        4.2.1 在模型S中求M的算法复杂性分析
            4.2.1.1 求模型S的一个约简
            4.2.1.2 求规则的约简
            4.2.1.3 求Fφ的一个约简
        4.2.2 经典非增量算法求M'的复杂性
        4.2.3 ILABDL求M'的复杂性
第5章 实验设计与实验结果分析
    5.1 实验环境
    5.2 实验方案
    5.3 测试结果与分析
第6章 总结与展望
    6.1 结论
    6.2 今后的工作
参考文献
发表文章目录
致谢
个人简况及联系方式
承诺书


【参考文献】：
期刊论文
[1]一种新的规则获取增量式算法[J]. 胡建龙,岳晓冬,李德玉.  山西大学学报(自然科学版). 2006(02)
[2]基于遗传算法的Bayesian网结构增量学习的研究[J]. 王飞,刘大有,王淞昕.  计算机研究与发展. 2005(09)
[3]基于增量学习支持向量机的音频例子识别与检索[J]. 吴飞,庄越挺,潘云鹤.  计算机研究与发展. 2003(07)
[4]构造型神经网络双交叉覆盖增量学习算法[J]. 陶品,张钹,叶榛.  软件学报. 2003(02)
[5]Jelonek属性约简算法的一个改进[J]. 叶东毅.  电子学报. 2000(12)
[6]属性最小约简的增量式算法[J]. 刘宗田.  电子学报. 1999(11)
[7]混合型学习模型HLM中的增量学习算法[J]. 陈兆乾,周志华,李红兵,谢俊元.  软件学报. 1997(11)
[8]关于Rough Set理论与应用的综述[J]. 王珏,苗夺谦,周育健.  模式识别与人工智能. 1996(04)



本文编号：3703954