構造性知識發(fā)現(xiàn)方法研究.pdf

1、該文在分析當前知識發(fā)現(xiàn)中常用的分類方法的基礎上,結合Rough集、SVM等理論,對該方法進行了深入研究,取得以下研究成果:(1)基于覆蓋的構造性學習方法直接根據(jù)樣本數(shù)據(jù)構造覆蓋網(wǎng)絡,克服了傳統(tǒng)神經(jīng)網(wǎng)絡計算中網(wǎng)絡結構難以確定、運行速度慢、局部極小等問題,適宜于多類別、海量數(shù)據(jù)的處理.(2)學習樣本的選擇和學習順序對神經(jīng)網(wǎng)絡的結構和網(wǎng)絡的性能有直接影響,覆蓋網(wǎng)絡也與學習順序密切相關,該文給出三種順序覆蓋方法,實驗表明這些順序覆蓋方法不是最優(yōu)

2、的學習順序,但其精度都接近或高于隨機學習的平均值. (3)由于描述對象的相關屬性未知,現(xiàn)有的數(shù)據(jù)庫使用大量的屬性描述對象,大量冗余屬性的存在,致使分類系統(tǒng)無法有效運行,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)計學習理論基礎上的SVM方法,通過映射到高維空間和最大化分類間隔,構造最優(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,提出基于徑向基函數(shù)

3、的覆蓋算法,實驗表明這一算法可以大幅度地降低覆蓋個數(shù)和拒識樣本數(shù),同時實驗也表明當參數(shù)選擇適當時特征空間確實現(xiàn)線性可分.在商空間理論的指導下,該文提出覆蓋領域溶合的概念,并給出領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,如何求出個數(shù)最少的分類超平面或者說隱層元,一般是很困難的.該文利用樣本集和超平面的對偶關系,提出求解分類問題的對偶算法,它將樣本集和超平面投影到各自的擴充空間,用遺傳算法的思想,給出求劃分矩陣的連