模糊TSK系统的深度集成研究

发布时间：2021-05-10 18:16

　　近年来,机器学习随着人工智能的火热得到了如火如荼地发展,在推荐系统、机器翻译、语音识别等领域得到了广泛而成功应用。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,例如含有噪音特征和噪音标签的训练数据等,给传统的机器学习方法带来了巨大的挑战。在有监督机器学习中,经典的神经网络和TSK模糊系统在面对这些复杂的数据场景时,往往会遇到如下问题:由于技术的限制,采集到的数据不可避免的含有噪音或不确定数据。当使用这些含有噪音和不确定信息的数据进行学习建模时,得到的模型往往泛化性能较差;其次,采集到的原始数据,不可避免的会被工人标注错,或不能确定其类标。如何对错误的类标进行矫正,也是一个亟需要解决的问题。针对上述问题,本文将在现有经典机器学习的基础之上,通过构建不同的集成分类器,以期得到能够解决在复杂数据场景下的建模方法,主要研究成果如下:（1）提出了一种基于模糊划分和模糊加权的集成深度信念网络FE-DBN,用于处理大规模复杂数据的分类问题。首先通过模糊聚类算法对输入数据空间进行模糊划分,将训练数据划分为多个子集,然后利用多个不同结构的DBN独立的对各个子集并行进行训练,... 

【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】：105 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 经典机器学习研究现状
        1.2.1 模糊系统研究现状
        1.2.2 深度学习研究现状
        1.2.3 集成学习研究现状
    1.3 课题研究内容和本文结构
第二章 基于模糊划分和模糊加权的集成深度信念网络
    2.1 引言
    2.2 基于模糊划分和模糊加权的DBN分类器集成
        2.2.1 FE-DBN结构图
        2.2.2 实现过程
    2.3 算法及其复杂度分析
        2.3.1 FE-DBN算法描述
        2.3.2 时间复杂度分析
    2.4 实验与分析
        2.4.1 实验设置
        2.4.2 人造数据集实验
        2.4.3 UCI数据集实验
    2.5 本章小结
第三章 基于模糊聚类和KNN的具有高可解释的并行集成模糊分类器
    3.1 引言
    3.2 迭代模糊聚类算法IFCM
    3.3 EP-TSK-FK
        3.3.1 EP-TSK-FK的架构
        3.3.2 EP-TSK-FK算法描述
        3.3.3 时间复杂度分析
        3.3.4 理论证明
    3.4 实验分析
        3.4.1 实验设置
        3.4.2 UCI和 KEEL数据集实验
        3.4.3 非参数统计分析
        3.4.4 运行原理及可解释性展示
    3.5 本章小结
第四章 基于DBN的模糊深度分类器及其在AAL中的应用
    4.1 引言
    4.2 现有的模糊深度分类器
    4.3 DBN-TSK-FC
        4.3.1 DBN-TSK-FC的架构
        4.3.2 DBN-TSK-FC训练及预测算法
        4.3.3 时间复杂度分析
    4.4 实验与分析
        4.4.1 实验设置
        4.4.2 UCI数据集实验
        4.4.3 非参数统计分析
        4.4.4 AAL数据集实验
    4.5 本章小结
第五章 具有标签抗噪能力的集成TSK模糊分类器及其在众包中的应用
    5.1 引言
    5.2 准备知识
    5.3 TSK-noise-FC
    5.4 EW-TSK-CS
        5.4.1 EW-TSK-CS的结构
        5.4.2 EW-TSK-CS的算法描述
        5.4.3 时间复杂度分析
    5.5 实验与分析
        5.5.1 实验设置
        5.5.2 UCI数据集仿真实验
        5.5.3 非参数统计分析
        5.5.4 电力价格数据集实验
    5.6 本章小结
第六章 结束语
致谢
参考文献
附录
    附录1 :攻读博士学位期间发表的论文
    附录2 :攻读博士学位期间参与的科研项目


【参考文献】：
期刊论文
[1]基于代表点评分策略的快速自适应聚类算法[J]. 张远鹏,邓赵红,钟富礼,杭文龙,王士同.  计算机研究与发展. 2018(01)
[2]多视角模糊双加权可能性聚类算法[J]. 蒋亦樟,朱丽,刘丽,王士同.  智能系统学报. 2017(06)
[3]Crowdsourcing label quality: a theoretical analysis[J]. WANG Wei,ZHOU Zhi-Hua.  Science China（Information Sciences）. 2015(11)
[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)



本文编号：3179828