基于區(qū)間數(shù)的不確定性數(shù)據(jù)挖掘及其應(yīng)用研究.pdf

1、盡管數(shù)據(jù)挖掘技術(shù)已經(jīng)成功應(yīng)用到很多領(lǐng)域，但是由于測(cè)量手段的局限性以及客觀對(duì)象本身不確定性等原因，在自然和社會(huì)科學(xué)領(lǐng)域中存在大量待挖掘的數(shù)據(jù)是不準(zhǔn)確、不確定的。如果不充分考慮這些數(shù)據(jù)的不確定性，不采用合適的數(shù)據(jù)挖掘方法，那么必然會(huì)導(dǎo)致挖掘模型性能下降，甚至是不可接受的。如何從大量不確定性數(shù)據(jù)中找出隱藏的知識(shí)，仍然是人們研究的主要課題。根據(jù)待挖掘數(shù)據(jù)所依據(jù)的不確定理論，不確定性數(shù)據(jù)挖掘方法可分為4種類型：隨機(jī)數(shù)據(jù)挖掘、灰色數(shù)據(jù)挖掘、模糊數(shù)據(jù)

2、挖掘和區(qū)間數(shù)數(shù)據(jù)挖掘方法。 本文以國(guó)家863項(xiàng)目鋼鐵生產(chǎn)過程的質(zhì)量控制為研究背景，為解決生產(chǎn)過程數(shù)據(jù)不完整、不確定、大數(shù)據(jù)量的數(shù)據(jù)挖掘困難問題，提出基于SVM以及核方法的區(qū)間數(shù)數(shù)據(jù)挖掘建模方法，并用于鋼鐵生產(chǎn)過程的質(zhì)量預(yù)測(cè)和質(zhì)量分析。 本文主要工作包括以下幾個(gè)方面： 1．提出了兩種區(qū)間數(shù)回歸建模方法。針對(duì)鋼鐵工業(yè)過程中的實(shí)際需要，本文提出兩種區(qū)間數(shù)回歸建模方法：(1)基于SVM的區(qū)間數(shù)輸入、區(qū)間數(shù)輸出回歸建模方法

3、。該方法把SVM從實(shí)數(shù)回歸分析推廣到區(qū)間數(shù)回歸分析，同時(shí)繼承了SVM的優(yōu)點(diǎn)；(2)基于SVM的精確數(shù)輸入、區(qū)間數(shù)輸出的回歸分析建模方法。該方法對(duì)區(qū)間數(shù)上下界逼近回歸建模的同時(shí)還考慮了上下界之間的相互信息。本算法能通過解凸二次最優(yōu)化問題得到全局最優(yōu)解，有效地避免了回歸模型的上界小于下界的問題。 2．提出了基于多尺度徑向基小波SVM的精確數(shù)輸入、區(qū)間數(shù)輸出的魯棒回歸分析建模方法。首先提出并使用基于多尺度徑向基小波SVM方法對(duì)帶有離群

4、點(diǎn)的多尺度區(qū)間數(shù)樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，分別得到區(qū)間數(shù)上下界初始回歸模型，初始回歸模型不僅能夠有效地逼近多尺度樣本信號(hào)、具有較好的魯棒性和推廣性能，而且在正常樣本點(diǎn)處殘差較小，在離群點(diǎn)處殘差較大；然后以加權(quán)M一估計(jì)函數(shù)作為代價(jià)函數(shù)，并使用梯度下降法同時(shí)調(diào)整區(qū)間數(shù)上下界回歸模型參數(shù)，且根據(jù)間數(shù)上下界模型輸出關(guān)系改變加權(quán)系數(shù)，消除了離群點(diǎn)對(duì)區(qū)間數(shù)回歸模型的影響，解決了區(qū)間數(shù)模型輸出上界小于下界的問題。 3．提出了基于SVM的區(qū)間數(shù)分類建

5、模方法。根據(jù)區(qū)間數(shù)的比較定義，該方法把區(qū)間數(shù)線性分類器轉(zhuǎn)化為精確數(shù)輸入的線性分類器，從而能夠建立基于SVM的區(qū)間數(shù)分類器模型。本文通過設(shè)計(jì)合適的核函數(shù)，把區(qū)間數(shù)數(shù)據(jù)樣本映射到高維特征空間，然后在高維空間中對(duì)樣本數(shù)據(jù)進(jìn)行線性分類，順利地解決了區(qū)間數(shù)樣本線性不可分問題，克服了現(xiàn)有的區(qū)間數(shù)分類算法對(duì)輸入維數(shù)敏感以及不適合大量數(shù)據(jù)樣本等問題。 4．提出一種基于核方法的區(qū)間數(shù)模糊聚類算法。本文通過設(shè)計(jì)合適的核函數(shù)，有效地?cái)U(kuò)大樣本模式之間的

6、差異性，提高聚類算法對(duì)非對(duì)稱數(shù)據(jù)以及混合數(shù)據(jù)模式的適應(yīng)能力，且避免了直接在高維特征空間求解聚類問題。采用區(qū)間數(shù)遺傳算法來求解非凸聚類優(yōu)化問題得到聚類問題的全局最優(yōu)解，大大提高了聚類質(zhì)量。該方法解決了現(xiàn)有區(qū)間數(shù)聚類算法對(duì)多種聚類模式以及不對(duì)稱數(shù)據(jù)聚類性能不理想的問題。 5．以鋼鐵生產(chǎn)過程為應(yīng)用背景，闡述了基于區(qū)問數(shù)的不確定性數(shù)據(jù)挖掘在實(shí)際生產(chǎn)中的應(yīng)用，并與其它方法相對(duì)比。結(jié)果表明，本文提出的數(shù)據(jù)挖掘方法能夠克服現(xiàn)有算法的缺點(diǎn)，并在