基于信息熵的粗糙集約簡與支持向量機相結合的分類問題研究.pdf

1、隨著科技的快速發(fā)展,各行各業(yè)涌現(xiàn)出大量的數(shù)據(jù)信息。如何從這些數(shù)據(jù)中快速獲取有用的知識、提取有效的分類方法是目前機器學習面臨的主要問題。粗糙集理論方法是一種能有效地分析和處理不精確、不一致、不完整等各種不確定信息的數(shù)據(jù)分析工具,已經(jīng)成功應用于機器學習、模式識別、決策支持、知識發(fā)現(xiàn)、故障診斷等領域。知識約簡作為粗糙集應用的關鍵技術,是該理論的核心問題之一,能夠?qū)?shù)據(jù)進行快速有效的處理。
　　Vapnik等人提出的支持向量機是一種新的機

2、器學習理論,集成了最大間隔超平面、Mercer核、凸二次規(guī)劃、稀疏解和松弛變量等多項技術,其主要借助于最優(yōu)化方法來解決機器學習問題。由于該理論具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點,近些年得到了廣泛地研究并被應用于數(shù)據(jù)分類、模式識別等領域。由于大多數(shù)的多類分類問題最終都可以轉(zhuǎn)化為兩類分類問題,因此支持向量機的原始問題也只涉及兩類分類問題。
　　通過對以上兩種理論的學習研究,結合它們的優(yōu)點,設計了一種基于信息熵的粗糙集約簡與支持向

3、量機相結合分類算法,并將該算法應用到本文的分類系統(tǒng)中,實驗結果顯示該算法在分類的準確率和速率方面都有所提高。本文主要工作如下:
　　1.通過對粗糙集約簡方法的研究,選擇基于信息熵的啟發(fā)式約簡方法作為本文所提算法屬性約簡的工具。
　　2.在粗糙集區(qū)分矩陣的基礎上,提出一種新的粗糙集對象約簡算法。
　　3.設計了一種基于信息熵的粗糙集約簡與支持向量機相結合的分類算法。該算法采用粗糙集屬性約簡理論對支持向量機數(shù)據(jù)特征進行選擇