構(gòu)造性知識(shí)發(fā)現(xiàn)方法研究.pdf

1、該文在分析當(dāng)前知識(shí)發(fā)現(xiàn)中常用的分類方法的基礎(chǔ)上,結(jié)合Rough集、SVM等理論,對(duì)該方法進(jìn)行了深入研究,取得以下研究成果:(1)基于覆蓋的構(gòu)造性學(xué)習(xí)方法直接根據(jù)樣本數(shù)據(jù)構(gòu)造覆蓋網(wǎng)絡(luò),克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)計(jì)算中網(wǎng)絡(luò)結(jié)構(gòu)難以確定、運(yùn)行速度慢、局部極小等問(wèn)題,適宜于多類別、海量數(shù)據(jù)的處理.(2)學(xué)習(xí)樣本的選擇和學(xué)習(xí)順序?qū)ι窠?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和網(wǎng)絡(luò)的性能有直接影響,覆蓋網(wǎng)絡(luò)也與學(xué)習(xí)順序密切相關(guān),該文給出三種順序覆蓋方法,實(shí)驗(yàn)表明這些順序覆蓋方法不是最優(yōu)

2、的學(xué)習(xí)順序,但其精度都接近或高于隨機(jī)學(xué)習(xí)的平均值. (3)由于描述對(duì)象的相關(guān)屬性未知,現(xiàn)有的數(shù)據(jù)庫(kù)使用大量的屬性描述對(duì)象,大量冗余屬性的存在,致使分類系統(tǒng)無(wú)法有效運(yùn)行,合理選取屬性特征,在保持分類能力的前提下,降低數(shù)據(jù)量,以提高分類的速度.(4)建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的SVM方法,通過(guò)映射到高維空間和最大化分類間隔,構(gòu)造最優(yōu)分類超平面,具有較高的泛化能力和推廣能力.該文分析了SVM與覆蓋算法的共性和徑向基函數(shù)的特點(diǎn),提出基于徑向基函數(shù)

3、的覆蓋算法,實(shí)驗(yàn)表明這一算法可以大幅度地降低覆蓋個(gè)數(shù)和拒識(shí)樣本數(shù),同時(shí)實(shí)驗(yàn)也表明當(dāng)參數(shù)選擇適當(dāng)時(shí)特征空間確實(shí)現(xiàn)線性可分.在商空間理論的指導(dǎo)下,該文提出覆蓋領(lǐng)域溶合的概念,并給出領(lǐng)域的最大值融合和組合優(yōu)化溶合的具體算法.(5)目前分類的方法眾多,如何求出個(gè)數(shù)最少的分類超平面或者說(shuō)隱層元,一般是很困難的.該文利用樣本集和超平面的對(duì)偶關(guān)系,提出求解分類問(wèn)題的對(duì)偶算法,它將樣本集和超平面投影到各自的擴(kuò)充空間,用遺傳算法的思想,給出求劃分矩陣的連