一、一种新的求解属性值约简算法(论文文献综述)
贾志成[1](2020)在《基于改进型RS-SVM相结合的配电网故障诊断技术研究》文中进行了进一步梳理配电网作为电力系统中的一个重要组成部分,直接面向用户,是保证供电服务质量与用户服务质量、提高电力系统运行效率的关键环节。在配电网自动化快速发展的过程中,保证配电网安全、稳定运行和供电可靠性始终是电网建设运行的重中之重。一方面,配电网自动化系统为配电网故障诊断提供了丰富的数据信息,蕴含着丰富的潜在价值;另一方面,配电网中大量智能化设备的增加和使用导致配电网的数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)等信息采集系统收集到大量无用的冗余故障信息,并且其中夹杂着不完备故障信号,对配电网的故障诊断工作造成困扰。配电网的复杂结构也使得多重故障的出现频率增加,加大诊断难度。因此,快速、准确的配电网故障诊断方法对于配电网的安全、稳定、经济运行具有重要意义。针对配电网故障信息不完备和故障信息冗余的特点,本文提出一种基于改进型粗糙集理论(Rough Set,RS)与支持向量机(Support Vector Machine,SVM)相结合的故障诊断方法。将故障信息中各断路器、保护器动作信息作为故障诊断模型的输入量,对故障所处的线路或区域进行定位诊断。本文的主要内容如下:首先,提出利用粗糙集理论进行故障信息预处理。充分考虑故障信息冗余、不完备的特点,以二进制可辨矩阵约简算法为基础,提出一种改进的基于广义二进制可辨矩阵的属性约简算法。根据配电网拓扑结构关系建立原始决策表,利用改进后的约简算法对原始决策表进行属性约简,求取约简后的最小决策表与决策规则,在保证约简后数据有效性和诊断精确度的前提下缩减了故障信息数据量。结合一个简单的配电网算例进行验证分析,为接下来的故障诊断奠定了基础。然后,建立改进型RS-SVM相结合的配电网故障诊断模型。在构建支持向量机分类模型的过程中,采用基于非线性惯重权值递减和异步线性变化学习因子两种策略改进的粒子群算法(Particle Swarm Optimization,PSO)优化支持向量机核函数参数g与惩罚参数C,以改善传统支持向量机易陷入循环寻优的缺点。将得到的最优解用于支持向量机的训练学习,将约简后的测试样本决策数据用于故障诊断。最后,以某区域实际10kV配电三端口环网为算例进行实验分析。按照单次故障和多重故障两种情况,与单一的SVM和RS-SVM算法进行对比分析,并且结合多种评价指标,验证了本文方法应用于配电网故障诊断工作的可行性和精确性。
侯文丽[2](2020)在《基于邻域粗糙集的增量属性约简算法研究》文中研究说明在科技时代背景下,信息技术时刻在高速率地发展着,各行各业中产生了大量的数据,据不完全统计,在互联网中每天有数万亿PB数据不断更新和增长。这不得不使得人们在收集大规模数据,以及储存处理数据的这些方面的技能迫切提升。在许多工业、教育以及医疗行业中都存在着大量多维的数据,针对于此类数据进行一定程度的数据分析,有利于人们从数据中挖掘出来隐藏在数据背后的有价值的信息,同时,也有利于预测出下一阶段数据的变化情况,这样,有利于针对于动态变化的数据提前做好应对之策。总之,数据挖掘和智能信息处理目前已经是研究工作者们近些年来重点关注的研究内容之一。粗糙集理论是用来处理模糊、不确定、不完备数据的一种有效的数学工具,它的优势在于很多时候仅仅需要利用生成的数据表中的信息本身,并不需要计算出其他的概率论的有关数学知识,如先验知识和其它附加信息等,通过简单的分析处理就可以很便利地分析数据表中的各项数据,进而发现隐藏在数据表中背后的有用的有研究意义的知识或者数据,粗糙集理论一定程度上,揭示潜在数学规律。就目前看来,粗糙集理论以及衍生出来的邻域粗糙集理论、变精度粗糙集理论、模糊粗糙集理论和覆盖粗糙集理论等理论,这些相关理论已经大量运用在数据挖掘、智能信息处理、模糊识别和知识约简等科学研究。属性约简是在保持属性区分能力不改变或者大方向不改变的情况下,去除掉数据中的无关或者不太重要的属性。近些年来,由于许多医疗、教育和工业领域中的数据通常都是在动态实时更新变化,每当数据的数据量増长到一定维度时候,从原始数据集中获取的属性约简和知识获取结果将不再适用,此时需对新生成的数据表,重新进行处理和分析。若使用静态的非增量式的属性约简方法来处理时,将导致属性约简算法的时间复杂度急剧增加,且较难寻找出新数据相较于原始数据的变化规律所在。因此,基于粗糙集理论围绕动态数据研究动态数据挖掘理论和方法具有很大的研究价值。本文的主要研究工作和创新工作如下:(1)基于邻域粗糙集模型和邻域条件熵的常规增量属性约简算法存在精度低,效率低。本文重新定义了一种新的邻域粗糙熵,并推导出邻域粗糙条件熵,分析了基于信息熵的属性约简算法相对于代数观下属性约简算法的优势,以属性的邻域粗糙条件熵为基础来计算属性重要度,提出了一种基于邻域粗糙条件熵的非增量属性约简算法,并且为了精确地确定邻域阈值,本文利用人工蜂群优化算法来搜寻本算法最优的邻域阈值。(2)针对决策表下样本的动态变化,研究探讨了如何快速地从动态决策表中提取关键的知识或规则。第一,完备决策表中独立样本的増加和删除进行分析,基于新的邻域粗糙条件熵动态更新机制,通过计算新的重要度和约简集,对于满足阈值要求的规则进行动态增加和删除。第二,再分析批增量下,多个对象增加和删除时,基于新的邻域粗糙条件熵动态更新机制,再重新确定新的约简结果。主要是分析了新增样本后邻域的变化规律,邻域粗糙条件熵的变化规律以及约简结果的变化规律,并做了详细的理论推导工作。(3)在(2)的基础上,提出了一种基于邻域粗糙集的増量式属性约简算法。在UCI标准数据集随机改变数据集中的10%,20%,30%,40%,50%样本中的数据值,重新计算新生成的数据集的约简结果,并通过与多种算法进行约简结果的对比实验和以十倍交叉验证方法在两种传统分类器下的精度分析对比实验,实验证明所提出的属性约简算法以及新定义的邻域粗糙条件熵的有效性和可行性,并证明了所提算法对混合多维数据有一定的应用价值。综上,本文以粗糙集理论作为数学理论支撑,以智能信息处理为目的,针对动态不完备决策表的属性约简和知识获取模型与增量属性约简算法进行了深入的分析和研究。针对动态数据中的样本集变化,导致的属性约简和知识获取需要实时更新问题,进行了较深入研究,设计一种新的增量属性约简算法,较好地解决了许多静态非增量算法未能描述数据更新变化的变化规律和算法运行效率较低等诸多问题,进而为更容易适应大数据环境下数据实时分析和挖掘。
吴照玉[3](2020)在《基于粗糙集模型扩展的特征选择算法研究》文中研究说明粗糙集理论是波兰学者Pawlak于二十世纪八十年代提出的一种能有效处理不完备性和不确定性的新型数学工具,并且在各个研究领域中得到了广泛的应用。但现有的经典粗糙集理论在处理不确定性数据和数值型数据方面存在缺陷,不利于噪声数据的处理和保持数值型数据内部结构的完整性。因此,为了解决上述问题,基于粗糙集模型扩展研究成为了国内外学者的研究热点。本文主要从经典粗糙集的两个拓展模型:决策理论粗糙集模型和邻域粗糙集模型进行研究,并对其相应的特征选择算法进行改进,旨在在不改变分类机制的基础上,使分类精度更精确。本文的主要研究内容如下:(1)本文针对决策理论粗糙集模型中正区域不能随属性增加而单调变化的问题。首先根据贝叶斯决策理论引入决策规则,来确定对象是否属于正区域。然后再此基础上提出新的定义,即约简集的正区域必须不低于属性全集的正区域。最后,结合启发式搜索策略提出了一种新的特征选择算法。通过对比实验分析结果得出该算法能满足正区域的最大化,具有更高的分类精度,从而提高了算法的效率。(2)虽然改进的正区域特征选择算法取得了不错的性能,但放在邻域粗糙粗糙集模型中,可能无法直接处理正区域出现的混合型数据的样本分类情况。并且邻域粗糙集模型在表征属性子集的分类能力时,同样也无法很好地描述类别混合样本的邻域。针对以上两种问题,本文后续针对邻域粗糙集模型的特点,首先分别分析了?邻域和k最近邻两者的优势,将两者进行结合提出了一种新的邻域粗糙集模型,引入了新的诱导信息粒子以及利用迭代策略计算决策上下近似。然后引入可变精度模型到改进的邻域粗糙集模型中来处理噪声数据。最后采用贪婪搜索策略,设计了一种改进的特征选择算法。通过实验结果分析表明,此算法具有更低的泛化能力,能够在不降低分类精度的前提下,有效地去除冗余属性。
王澍[4](2019)在《面向动态有序数据的知识发现方法研究》文中研究表明在大数据时代,各类数据中蕴含的丰富知识可为人们解决实际问题提供有益的帮助。有序数据是实际应用中广泛存在的一种重要数据类型。实际应用中产生的海量有序数据随时可能发生快速变化,使得从中进行准确高效的知识发现和更新极具挑战。此外,对于来自不同数据源且随时发生快速变化的多源动态有序数据,也需要对其中挖掘出的知识进行高效更新和融合。因此,面向动态有序数据的知识发现是数据挖掘的核心任务和重要方向之一。海量动态数据通常具有复杂性和不确定性,而粒计算理论和粗糙集理论是处理复杂问题和不确定问题的有效工具。粒计算理论可将复杂问题逐层细化,以降低解决复杂问题的难度,适于应对海量动态有序数据的复杂性。粗糙集理论仅根据当前获取的信息即可有效地处理各种模糊的、不精确的或不确定的问题,而不依赖于任何先验信息,适于应对海量动态有序数据的不确定性。本文以发生多维度动态变化的单源和多源有序数据为研究对象,基于粒计算和粗糙集理论,利用并改进优势关系粗糙集模型,结合集合方法、矩阵方法和增量学习策略,研究单源和多源有序数据发生多维度动态变化时高效获取并更新知识的方法。具体的研究成果如下:(1)当有序信息系统中对象和属性同时增加时,通过改进P-泛化决策的定义,简化了优势关系粗糙集的近似集求解过程。为避免原有属性之间的重复比较,定义了优势特征矩阵的概念,建立了基于改进的P-泛化决策和优势特征矩阵的近似集动态更新模型,提出了采用增量策略的近似集动态更新方法并设计出相应算法。另外,考虑到算法的实用性,提出了一种可减少内存消耗的矩阵存储策略。(2)当有序信息系统中对象集和属性值同时变化时,分析并揭示了P-泛化决策的性质,定义了P-泛化决策上域和下域两种概念,能够从本质上反映出对象之间的实际优势相关性,以避免对象之间不必要的比较,极大地提高了求解近似集的效率。针对对象集和属性值同时变化的情况,基于P-泛化决策上域和下域分别提出了高效更新近似集的方法。两种方法不仅适于处理有序信息系统中对象集和属性值同时变化,也适于处理对象集单独变化。(3)当有序信息系统中属性增加和属性值同时变化时,提出了优势特征矩阵与P-泛化决策域相结合的策略。为使基于P-泛化决策域求出的优势特征矩阵满足优势对称性,改进了P-泛化决策上域和下域的定义。此策略先利用P-泛化决策域,仅通过比较部分实际优势相关的对象即可求出优势特征矩阵,再利用优势特征矩阵,避免了原有属性之间的重复比较,进而建立了近似集的动态更新模型,并提出了高效的近似集动态更新方法。此方法具有通用性,不仅适于处理属性增加和属性值同时变化,也适于处理属性单独增加或属性值单独变化。(4)对于对象增加和属性值同时变化的单源动态有序数据,提出了基于粒度分解思想高效更新近似集的并行处理方法。此方法将单源动态有序信息系统划分为若干基本有序信息粒,并与P-泛化决策相结合,通过并行更新P-泛化决策自信息粒、P-泛化决策互信息粒,以及对两种信息粒的并行融合来高效地更新P-泛化决策,从而求出更新后的近似集。此并行方法可直接用于多源动态有序数据环境中,即同样适于处理对象增加和属性值同时变化的多源动态有序数据。本文系统地研究了发生多种二维动态变化时,单源和多源有序数据的高效知识发现及更新机理,提出了相应的知识发现及更新方法,并结合粒度分解思想,提出了可在发生二维变化的单源或多源有序数据中发现并更新知识的并行架构。通过基于UCI数据集和人工数据集的大量实验,验证了所提出方法及相应算法的高效性。本文的研究工作为发生多维度变化的海量动态有序数据建立了基于优势关系粗糙集模型的知识更新框架,提供了高效的知识更新方法,也为多源海量动态有序数据建立了知识融合机制,并提供了知识融合方法。此外,本文改进的相关定义以及揭示的相关性质也可为优势关系粗糙集模型在其它领域的研究和应用提供便捷的方法和有效的工具。
陈鑫影[5](2019)在《层级语义下情境适应的SWoT服务组合与选择机理》文中研究表明语义物联网是物联网内在矛盾的应对之策,它不是物联网和语义网的简单叠加,而是物联网的提升。语义互操作(语义协同)即在语义层面的信息交换和信息共享。语义物联网中的服务和其它服务并不是完全分裂的,网络中的服务加上语义标注后与物理实体设备绑定映射,就具备了语义物联网服务的特点。面对海量的、冗杂的网络数据,为在动态环境中,快速和准确地应对动态、复杂的服务需求,需要基于语义互操作对语义物联网服务的关键技术进行研究。目前,基于语义互操作的语义物联网服务的研究已经取得了一些进展,但仍然存在诸多亟待解决的关键问题,例如,如何有效解决语义关系的链接预测,如何解决服务情境规则的自动提取,如何高效而准确地获取动态服务组合等等。本文将针对这几个密切相关的热点问题,从如下三个方面进行系统性的研究。本文的主要研究成果如下。(1)为了解决语义物联网服务间的语义关系的链接预测和自动协作问题,提出了对应的解决方案,具体内容包括:1)首先,基于语义链接网络提出一种三层级语义服务结构化网络模型(SNM4SS)。SNM4SS模型能够表达丰富的语义关系并进行推理,可以实现语义物联网服务的自动协作。2)为了构建三层级语义服务结构化网络模型,基于Markov网、服务事件间的语义关系矩阵和边删除算法,分别提出基于条件互信息的语义服务事件网的构建算法(SSEN)和动态更新算法(SSENU)。3)此后,由于语义服务事件网的动态构建需要解决服务事件链接推理问题,因此,基于Markov逻辑网和随机游走策略,提出了一种服务事件链接推理算法(SELR)。SELR推理算法能降低推理运算中的节点数,避免了利用闭Markov逻辑网建模所带来的巨大时空开销问题,可以更为有效解决面向多层级语义服务结构化网络中服务事件关系的链接预测问题。最后,通过一系列的实验验证了所提出算法的有效性。(2)为了提供更为准确的语义服务,提高服务情境规则的提取效率和准确率,提出了一种语义服务的复杂自适应情境规则的提取方法,包括:1)首先,基于可分辨关系和可分辨约简,设计一个决策分辨约简算法(DecDepRed),DecDepRed算法将传统的逻辑知识粒化过程转化为矩阵计算,可完成上下文冗余属性的快速约简。2)然后,提出了基于决策依赖度的规则提取算法(DecDepRul),DecDepRul算法可以进行上下文冗余属性值的快速约简,并将约简结果自动转换为决策规则。最后,通过实验验证新方法生成的规则的简洁性和有效性。(3)为满足实时的动态的语义服务需求,高效而准确地获取动态服务组合,提出了一种语义物联网服务智能组合和选择方法。具体内容包括:1)首先,提出了基于语义匹配度和组合服务质量的模型QoS(CS)并设计了相关求解算法。QoS(CS)模型综合考虑了组合服务的子服务间的局部语义匹配,需求与服务间的全局匹配,服务的输入和输出参数间的依赖关系,以及复合服务的QoS质量模型等多方面因素。2)然后,基于QoS(CS)模型和遗传算法,提出了一种语义物联网服务智能组合与选择算法(IC&SSWTS)。通过实验发现,IC&SSWTS算法能够在较低成本和代价的前提下,提供较为合理的近似最优解。
彭莉莎[6](2019)在《面向不完备邻域数据的三支决策模型与属性约简算法研究》文中研究说明不完备、不精确和模糊数据大量存在于现实生活和实际应用中,经典粗糙集和概率粗糙集是处理这类数据的有效粒计算工具,随着粒计算理论的不断完善,一种新的信息计算范式三支决策被提出。三支决策继承了传统粗糙集理论的分类能力,又弥补了传统粒计算理论的容错性低等缺陷,其核心思想是“三分而治”,即通过基于贝叶斯风险决策最小化计算而来的一对阈值将论域划分成三个互不相交的域(正域、边界和负域),然后对这三个域中的对象采取对应的决策(接受、不承诺和拒绝)。三支决策分而治之的思想提高了人们分析数据和管理决策的效率,相比于只有接受和拒绝的二支决策,其边界域对应的延迟决策也降低了人们在决策问题中错误接受和错误拒绝的概率,从而一定程度减少了决策代价。由于在实际应用领域中不完备连续和不完备混合型数据等广泛存在,而三支决策对这些数据的研究相对较少,为进一步拓展三支决策模型及其应用领域,本文研究了面向不完备邻域数据的三支决策模型与属性约简算法,具体构建了面向邻域系统、不完备邻域系统和不完备混合邻域系统的三支决策模型,并鉴于现有的三支决策属性约简算法大多面向所有决策类,而对于单个决策类的研究较少,为此,本文还提出了面向特定类的三支概率属性约简算法。(1)在面向邻域系统的三支决策模型中,将邻域概念引入经典三支决策模型用于处理连续型数据。在该模型中,只计算某个对象包含于其所属对象集的条件概率,而不计算该对象包含于所有对象集的条件概率,从而一定程度提高了传统三支决策模型的运算效率。将该模型成功应用于学生综合素质评价体系中,进一步说明了该模型的有效性和实际意义。(2)在面向不完备邻域系统的三支决策模型中,提出邻域非对称相似关系用于求解不完备连续型数据的邻域粒度。实验对比面向不完备邻域系统的经典粗糙集、0.5概率粗糙集和邻域容差关系,验证了该模型能获得更高的划分准确率和更低的误划分损失,为三支决策对不完备邻域数据的处理提供了一种有效可行的方法。(3)在面向不完备混合邻域决策系统的三支决策模型中。针对不完备混合数据提出新的完备邻域容差关系和阈值计算公式,构建“乐观”、“折中”和“悲观”三支决策规则,通过理论分析和医疗诊断实例详细说明了算法的有效性和可解释性,并通过实验分析验证了所构模型比其他相关模型对不完备混合数据的分类过程更加合理,分类效果更优。(4)在面向特定类的三支概率属性约简算法中,基于相对依赖度和信息熵构建了代数论和信息论下的启发式属性约简算法。通过医疗诊断实例详细给出了算法在一致和不一致决策系统中的约简过程和运算步骤,合理解释了算法的约简结果,同时也说明了算法的有效性和可行性,扩充了三支属性约简的应用范围。
陈琳琳[7](2019)在《基于核对齐的若干学习问题研究》文中研究表明核方法是一种常用的模式分析方法,其原理是通过一个非线性映射把线性不可分的问题转化为高维特征空间中的线性可分问题,从而可以使用线性算法处理问题,且空间中的内积可以直接利用核函数来计算。核方法性能的优劣很大程度上取决于核函数的选择正确与否,因为不同的核函数在映入的高维空间中生成不同的结构。此外,当核函数的类型选定后,核参数的选择也对算法的性能有很大影响。因此,如何选择核函数以及核参数一直是机器学习领域内广为关注的热点问题。核对齐旨在度量两个核函数之间一致性的程度,是一种核函数选择方法,常用来为特定的学习问题选择合适的核函数。用核对齐选择核函数的优点在于只需要计算对齐值以使核函数适用于学习问题,而与具体的分类器训练过程无关。在核对齐概念被提出来以后,很多学者对核对齐进行了改进、扩展和应用。本文基于核对齐主要研究了模糊核的选择及其在异构数据属性约简中的应用,多标记数据的核函数选择及其特征选择等问题。主要研究内容如下:(1)提出了基于核对齐选择模糊核的新方法。在模糊决策系统中定义了一种新的理想核,并构建了一种模糊核对齐模型。通过最小化定义的理想核和属性空间中的模糊核之间的模糊对齐值选择模糊核。为了验证有效性,证明了支持向量机分类误差的上界随着模糊核对齐值的减小而减小。另外,进一步将提出的模糊核选择方法应用于异构数据的属性约简中。实验结果表明,提出的基于模糊核对齐的异构数据属性约简方法是有效的。(2)基于核化的模糊粗糙集提出了一种新的分类算法。把核化的模糊粗糙集中的正域转化为样本到分类超平面的距离之和,通过最大化正域得到一个求解分类超平面的优化问题。实验结果表明,提出的基于核化模糊粗糙集的分类算法是有效的。(3)基于核对齐提出了一种为多标记学习选择核函数的方法以及一种改进的分类器链多标记学习算法。首先,为多标记学习数据集定义了一个合适的理想核,并通过最大化特征空间中定义的线性组合核和理想核之间的对齐值确定组合核中的权重系数来选择核函数。另外,通过考虑局部核对齐标准对我们提出的方法进一步进行了改进。其次,在给定核函数的情况下,分别通过最大化核函数和标记空间中每个标记对应的理想核的凸组合之间的对齐值,和直接计算核函数与每个理想核间的对齐值给出分类器链的顺序。实验结果证明了基于核对齐提出的这两种算法的有效性。(4)提出了一种基于核对齐的多标记数据的特征选择方法。首先,将标记空间中的理想核定义为由每个标记定义的理想核的凸组合,特征空间中的核函数定义为每个特征对应的核函数的线性组合。其次,通过最大化线性组合核与理想核之间的核对齐值同时学习两个核函数中的权重,并将学到的标记权重作为标记重要性的程度。最后,根据线性组合核中的权重对特征进行排序,并删除权重很小的特征。提出的特征选择方法可以自动学习标记的重要性程度,并通过实验比较证明了该方法的有效性。
曹俊琴[8](2019)在《证据理论关键问题研究及在掘进机工况识别中的应用》文中指出掘进机是集截割、装运、除尘、搬运、操作等功能于一体的煤矿机械,主要用于截割井下岩石、煤或半煤岩巷道,是煤矿井下生产的重要机械设备之一。随着新型传感器及信息技术的发展,对掘进机进行状态监测,获得电气、液压、振动等方面的实时状态数据,通过信号处理、特征提取和模式识别,可以实现掘进机的工况识别、故障诊断与预测维护,促进煤矿开采向高效化、自动化以及智能化方向发展。由于掘进机工作环境恶劣,导致采集到的掘进机振动信号具有非平稳性和随机性的特点,存在着大量的不确定性。Dempster-Shafer(D-S)证据理论在不确定性的表示、量度和信息组合方面有显着的优势,使其越来越受到研究人员的重视,并且广泛应用于信息融合、模式识别、决策支持系统等领域。因此,将D-S证据理论用于掘进机的工况识别研究,具有重要的理论意义和实用价值。D-S证据理论虽然有以上诸多优点,但是也存在着一些亟待解决的问题,这些关键问题在很大程度上制约了它的应用推广。其中一个问题是,在处理高度冲突的证据时,Dempster合成规则常常会得出与常理相悖的结论,无法实现有效决策。另一个问题是如何自动、合理地生成基本概率分配(Bisic Probability Assignment,BPA)函数。本文对D-S证据理论的关键问题进行深入分析、研究,指出其存在的不足之处,深刻探究原因,并且提出相应的解决方法。最终将证据理论应用到掘进机的工况识别当中,通过仿真实验研究,验证其可行性和有效性。主要研究内容和创新点如下:(1)针对D-S证据理论中Dempster合成规则在处理高冲突证据时,合成结果出现违背常理的问题,提出了一种新的基于Baroni-Urbani&Buser相似性系数的证据距离,并对新的距离进行了几何解释,经过证明该距离满足正定性、非退化性、对称性及三角不等式,是一个由证据向量所张成的度量空间的完全距离。将提出的证据距离用于证据冲突程度的度量,计算出每条证据的支持度和可靠度,以此为依据求出每条证据的加权系数,然后求出加权的平均证据,最后对平均证据使用Dempster合成规则合成n-1次,得到最终的合成结果。通过算例计算,本文所提出的冲突证据合成方法可以适用于高冲突和低冲突证据的合成,收敛速度较快,并且可以解决一票否决和焦元基模糊悖论问题。(2)针对D-S证据理论中BPA获取主观性较强的问题,提出了一个基于邻域粗糙集的条件基本概率函数生成公式,并且证明它满足BPA的条件。粗糙集在不需要任何先验知识的情况下,仅仅依靠信息系统的历史数据就可以有效地提取相关规则。因此,根据输入被测样本的条件属性对论域进行划分,以及决策属性对论域的划分,就能够从历史数据中自动获取BPA,克服了由专家经验提供BPA的主观性和不确定性。由于在实际应用中,存在着大量的数值型变量,如果直接进行离散化处理,会有信息损失的现象,因此本文采用了粗糙集的邻域模型。由于条件属性的重要度不同,因此得到的BPA权值有所差异。从代数观和信息观出发,提出了一个属性依赖度和互信息相结合的属性重要度公式,将其用于邻域粗糙集属性约简,通过对UCI数据集的特征选择和分类,证明了它能够以较少的特征获得较高的识别率。最后,将属性重要度归一化,对生成的BPA进行修正。经过实例计算,证明了所提方法的可行性和合理性。(3)掘进机在井下的工作环境复杂且恶劣,其振动信号往往具有非线性、非平稳等特性,因此经典的信号处理技术不再适用。针对这一特点,采用变分模态分解(Variational mode decomposition,VMD)将信号分解成一系列本征模函数(Intrinsic Mode Function,IMF),这些IMF分量信号蕴藏了许多特征信息。对每个IMF分量进行Teager能量解调,得到瞬时频率和幅值,从时频图中分析得出结论:反复出现的280Hz和350Hz左右的频率可能和截割减速器的工作频率有关。提取了各IMF分量的能量、近似熵、时频矩阵的奇异值和信号的峰值、标准差、峭度指标一起构成掘进机工况识别的特征量。通过实验分析发现,不同特征量对不同工况的识别存在一定的差异。(4)提出了一种基于邻域粗糙集和D-S证据理论的识别方法,将其用于对掘进机空载、钻进、向左截割和向下截割四种工况的识别。由于掘进机在四种工况下的振动特性不同,因此从单一方向单个特征量、单一方向多个特征量和多方向多个特征量这几方面对所提出的识别方法进行验证。在UCI数据集及掘进机工况识别中,经过多次仿真实验,以及与传统D-S、支持向量机(Support Vector Machine,SVM)、K-近邻(K-nearest Neighbor,KNN)、邻域分类器(Neighborhood Classifiers,NEC)和卷积神经网络(Convolutional Neural Network,CNN)方法的对比研究,本文方法的平均识别率达到89.31%和78.61%,验证了其具有较强的识别能力。
曾永钢[9](2019)在《基于粒计算的混合属性数据增量式知识获取方法研究》文中研究说明随着工业物联网的快速普及,各领域中的海量复杂数据推动着企业的快速发展。但如何删除海量复杂数据中的数据噪音,获取对企业有价值的数据信息已经成为了当前信息科学的一大难题。此外,各领域中获取的数据在动态地变化着,如何有效利用新旧数据之间的关系对有价值的信息进行高效更新也是信息科学领域的重要问题之一。粒计算采用分而治之的策略,可以有效对动态系统中的知识进行更新,获取数据中包含的潜在价值。本文利用粒计算理论中简化复杂问题的方法及邻域粗糙集模型中混合数据的度量方式,以属性约简结果知识粒度的增量计算为技术手段,研究了混合动态信息系统中数据变化时的增量式属性约简算法。本文的主要成果包括:(1)为了提高在属性集发生变化时混合动态信息系统中属性约简结果的更新效率,本文首先分析了具有混合属性数据知识粒度的计算方式,然后探索了混合信息系统下属性增加时基于邻域模型的知识粒度增量更新的规律,基于此设计了一种针对混合信息系统中属性集变化时的增量式约简算法。并利用UCI数据集进行相关仿真实验对所提出算法的有效性进行了验证;(2)为了提高在样本集发生变化时混合动态信息系统中属性约简结果的更新效率,本文首先利用邻域模型下知识粒度的计算方式,并通过决策属性的分类将信息系统拆分为多个子信息系统,当混合信息系统中的样本增加或减少时,定义了混合信息系统中知识粒度发生变化时的增量式计算方法,提出了样本变化时混合信息系统的增量式属性约简算法。并利用UCI数据集进行相关仿真实验对所提出算法的有效性进行了验证;(3)为了进一步提高在样本集增加时大规模混合动态信息系统中属性约简结果的更新效率,本文分析已有并行式约简算法的理论成果,以混合动态信息系统中样本变化时增量式属性约简算法为理论基础,结合当前的并行模式,寻找合适的Key/Value对以及Map/Reduce函数,设计了一种并行式增量属性约简算法,为大规模动态混合信息系统的属性约简提供了有效方法。通过实验对比分析验证了所设计方法的有效性。本文利用邻域粗糙集模型对混合信息系统中的知识粒度的表达方式进行了扩展。当信息系统中属性集变化或样本集变化时,探究了混合系统中知识粒度的增量计算方法,并提出了针对混合信息系统的基于知识粒度的增量式属性约简算法,为混合信息系统中属性约简结果的快速更新提供了理论支持。通过比较分析,验证了所提出的动态属性约简算法的有效性。本文的研究工作扩展了基于知识粒度属性约简算法的应用范围,为动态混合数据环境下如何提高属性约简的效率提供新的方法。
杨留中[10](2019)在《Spark框架下优势关系粗糙集动态属性约简方法研究》文中指出知识发现(Knowledge Discovery in Database,KDD)的主要目标是通过转换、抽取等一系列手段从原始知识库中挖掘出对人们有价值知识的过程。属性约简(或称特征选择、特征降维)是一种通过某种方法从原始特征空间中删除不必要的属性达到降低数据维度的有效方法,它是机器学习和数据挖掘领域中数据预处理的重要步骤之一。目前特征选择已经广泛应用在图像处理、文本分类、语音识别等领域。近年来,信息科技的高速发展不仅给人们生活带来便捷体验,同时还给各个领域带来了前所未有的机遇和挑战,数据的共享使得数据类型更加多样化。如何从这些高维度、复杂、动态变化的数据中挖掘出有价值的知识已成为学者们关注的研究内容之一。本文以优势关系粗糙集在动态环境下如何高效获取属性约简为出发点,分别针对优势决策信息系统中动态改变对象、属性、属性值的情况下,高效动态属性约简获取的问题进行相关的研究。本文的主要研究内容如下:1.对象动态变化时,阐述了优势决策信息系统中增加单个对象时优势集的变化规律,给出了优势决策信息系统动态更新属性约简的定理,设计了增加单个对象后优势决策信息系统增量更新属性约简的算法,通过UCI机器学习数据库中的数据集进行实验验证,实验结果表明提出的增量算法和非增量算法相比在计算效率上和分类精度上都有一定的提升。(第3章)2.属性动态变化时,阐述了优势决策信息系统中添加单个属性时优势关系变化的规律,提出一种基于二进制编码矩阵的方式维护更新。设计了添加单个属性时动态更新属性约简的算法。实验结果表明提出的增量算法的有效性。(第4章)3.属性值动态变化时,阐述了优势决策信息系统中多个对象的属性值变化时,讨论了属性值对优势关系影响的情况,提出一种基于字符组合编码的方式对对象的优势关系进行编码,并给出字符组合编码矩阵动态更新的方法。设计了属性值变化时基于字符组合编码矩阵的动态更新属性约简算法,通过在10个数据集上的实验对提出的算法的有效性进行验证,结果表明提出的增量算法在计算约简的时间消耗和分类性能上都优于非增量算法。(第5章)4.分析了Spark框架下优势关系粗糙集并行属性约简的问题,给出了大数据下的启发式属性约简的并行策略。实验结果表明Spark能有效处理大数据集的启发式属性约简。(第6章)
二、一种新的求解属性值约简算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种新的求解属性值约简算法(论文提纲范文)
(1)基于改进型RS-SVM相结合的配电网故障诊断技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 粗糙集研究现状 |
1.2.2 支持向量机研究现状 |
1.2.3 配电网故障诊断研究现状 |
1.3 主要研究内容 |
第二章 粗糙集理论与属性约简算法的改进 |
2.1 粗糙集理论 |
2.1.1 二元与不可分辨关系 |
2.1.2 知识表达系统 |
2.1.3 上、下近似与边界域 |
2.1.4 决策表的约简与核值计算 |
2.2 粗糙集的属性约简算法 |
2.3 基于二进制可辨矩阵的改进型属性约简算法 |
2.3.1 算法原理 |
2.3.2 算法步骤 |
2.3.3 算例分析 |
2.4 本章小结 |
第三章 支持向量机理论与参数优化 |
3.1 支持向量机理论 |
3.1.1 最优分类超平面 |
3.1.2 核函数 |
3.2 支持向量机的数学推导 |
3.2.1 线性支持向量机 |
3.2.2 非线性支持向量机 |
3.3 支持向量机的参数优化 |
3.3.1 支持向量机的参数选取 |
3.3.2 支持向量机的参数优化流程 |
3.4 本章小结 |
第四章 基于改进型RS-SVM的配电网故障诊断方法 |
4.1 基于改进型RS-SVM的故障诊断方法 |
4.2 基于改进型RS-SVM的故障诊断流程 |
4.3 算例实验与分析 |
4.3.1 单次故障诊断分析 |
4.3.2 多重故障诊断分析 |
4.4 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
攻读学位期间的研究成果 |
致谢 |
(2)基于邻域粗糙集的增量属性约简算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题应用背景及选题意义 |
1.1.1 课题应用背景 |
1.1.2 选题意义 |
1.2 论文国内外研究现状 |
1.2.1 粗糙集理论的研究现状 |
1.2.2 粗糙集理论在不完备信息系统中的研究现状 |
1.3 论文研究内容 |
1.4 论文的结构组成以及安排 |
第二章 理论综述 |
2.1 粗糙集理论的基本理论 |
2.2 邻域粗糙集的基本理论 |
2.3 属性约简 |
2.4 动态数据的约简方法 |
2.5 本章小结 |
第三章 基于邻域粗糙条件熵的非增量属性约简算法 |
3.1 邻域粗糙条件熵的相关理论 |
3.1.1 邻域粗糙熵的定义 |
3.1.2 邻域粗糙条件熵的定义 |
3.2 基于邻域粗糙条件熵属性约简算法 |
3.2.1 基于信息熵的属性约简算法的优势 |
3.2.2 算法设计 |
3.3 算法测试和结果分析 |
3.3.1 参数的确定 |
3.3.2 算法测试和结果分析 |
3.3.3 非增量属性约简算法的应用场景 |
3.4 本章小结 |
第四章 基于邻域粗糙条件熵的增量属性约简算法 |
4.1 增量式约简机制 |
4.1.1 增加样本后邻域的变化规律 |
4.1.2 增加样本后新的邻域粗糙条件熵的变化规律 |
4.1.3 增加样本后约简结果的变化规律 |
4.2 基于邻域粗糙条件熵的增量属性约简算法的设计 |
4.3 增量属性约简算法的测试和结果分析 |
4.3.1 实验环境 |
4.3.2 约简时间对比分析 |
4.3.3 精度对比分析 |
4.3.4 增量属性约简算法的应用场景 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读学位期间取得的科研成果 |
致谢 |
(3)基于粗糙集模型扩展的特征选择算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 粗糙集理论研究现状 |
1.2.2 决策理论粗糙集研究现状 |
1.2.3 邻域粗糙集研究现状 |
1.2.4 特征选择研究现状 |
1.3 论文的研究内容和组织结构 |
1.3.1 本文的主要研究内容 |
1.3.2 章节安排 |
第二章 粗糙集理论基础 |
2.1 粗糙集概述 |
2.2 知识表达系统 |
2.3 不可分辨关系 |
2.4 集合的上下近似 |
2.5 粗糙度 |
2.6 依赖度 |
2.7 属性重要度 |
2.8 本章小结 |
第三章 粗糙集模型扩展研究 |
3.1 决策理论粗糙集模型 |
3.1.1 决策理论粗糙集的引入 |
3.1.2 基本理论 |
3.1.3 问题处理 |
3.2 邻域粗糙集模型 |
3.2.1 邻域粗糙集模型的引入 |
3.2.2 基本概念 |
3.2.3 问题处理 |
3.3 实域粗糙集模型 |
3.3.1 实域粗糙集模型的引入 |
3.3.2 基本概念 |
3.3.3 问题处理 |
3.4 本章小结 |
第四章 决策理论粗糙集模型特征选择算法研究 |
4.1 基于决策理论粗糙集模型的基本理论与缺点分析 |
4.1.1 决策理论粗糙集模型的基本理论 |
4.1.2 决策理论粗糙集缺点分析 |
4.2 改进的正区域特征选择算法 |
4.3 实验分析 |
4.3.1 实验环境 |
4.3.2 实验数据集 |
4.3.3 实验结果分析 |
4.4 本章小结 |
第五章 邻域粗糙集模型下的特征选择算法研究 |
5.1 基于邻域粗糙集模型的基本概念与缺点分析 |
5.1.1 邻域粗糙集模型有关的基本概念 |
5.1.2 邻域粗糙集缺点分析 |
5.2 基于邻域粗糙集模型改进与算法研究 |
5.2.1 改进的邻域粗糙集模型 |
5.2.2 特征选择算法研究 |
5.3 实验分析 |
5.3.1 实验环境 |
5.3.2 实验数据集 |
5.3.3 实验结果分析 |
5.4 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(4)面向动态有序数据的知识发现方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和问题提出 |
1.2 粒计算研究现状 |
1.2.1 粒计算理论研究现状 |
1.2.2 粒计算应用研究现状 |
1.3 粗糙集研究现状 |
1.3.1 粗糙集扩展模型研究现状 |
1.3.2 基于粗糙集理论的静态数据知识发现方法研究现状 |
1.3.3 基于粗糙集理论的动态数据知识发现方法研究现状 |
1.4 本文的研究工作 |
第2章 预备知识 |
2.1 经典粗糙集 |
2.1.1 信息系统 |
2.1.2 等价关系 |
2.1.3 等价类 |
2.1.4 近似集 |
2.2 优势关系粗糙集 |
2.2.1 有序信息系统 |
2.2.2 优势关系 |
2.2.3 优势集与劣势集 |
2.2.4 决策类 |
2.2.5 决策类向上联合与向下联合 |
2.2.6 优势关系粗糙集的近似集 |
2.2.7 P-泛化决策 |
2.3 本章小结 |
第3章 对象集和属性集同时变化时优势关系粗糙集的近似集更新研究 |
3.1 引言 |
3.2 对象和属性同时增加时的近似集动态更新原理 |
3.2.1 P-泛化决策定义的简化 |
3.2.2 优势关系的增量式更新原理 |
3.2.3 优势特征矩阵的存储策略 |
3.3 算例 |
3.4 算法设计与分析 |
3.5 实验与结果分析 |
3.5.1 实验数据与实验方案 |
3.5.2 实验结果分析 |
3.6 本章小结 |
第4章 对象集和属性值同时变化时优势关系粗糙集的近似集更新研究 |
4.1 引言 |
4.2 对象集和属性值同时变化时的近似集动态更新原理 |
4.2.1 P-泛化决策上域和下域 |
4.2.2 对象增加和属性值同时变化时的近似集更新原理 |
4.2.3 对象删除和属性值同时变化时的近似集更新原理 |
4.3 算例 |
4.4 算法设计与分析 |
4.5 实验与结果分析 |
4.5.1 实验数据与实验方案 |
4.5.2 实验结果分析 |
4.6 本章小结 |
第5章 属性集和属性值同时变化时优势关系粗糙集的近似集更新研究 |
5.1 引言 |
5.2 属性增加和属性值同时变化时的近似集动态更新原理 |
5.2.1 P-泛化决策域定义的改进 |
5.2.2 更新近似集的增量式组合方法 |
5.3 算例 |
5.4 算法设计与分析 |
5.5 实验与结果分析 |
5.5.1 实验数据与实验方案 |
5.5.2 实验结果分析 |
5.6 本章小结 |
第6章 近似集的并行更新与多源动态有序数据的近似集更新研究 |
6.1 引言 |
6.2 对象增加和属性值同时变化时的近似集并行更新原理 |
6.2.1 近似集更新的粒度分解策略 |
6.2.2 基于粒度分解的近似集并行更新策略 |
6.2.3 动态多源有序数据的近似集更新分析 |
6.3 算例 |
6.4 算法设计与分析 |
6.5 实验与结果分析 |
6.5.1 实验数据与实验方案 |
6.5.2 实验结果分析 |
6.6 本章小结 |
第7章 总结与展望 |
7.1 本文总结 |
7.2 研究展望 |
致谢 |
参考文献 |
攻读博士学位期间发表的论文及科研成果 |
(5)层级语义下情境适应的SWoT服务组合与选择机理(论文提纲范文)
创新点摘要 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和研究意义 |
1.2 相关工作的国内外研究现状 |
1.2.1 语义信息组织模型和语义信息系统模型 |
1.2.2 服务情境决策规则自动生成方法的相关研究 |
1.2.3 基于语义的服务组合和选择方法的相关研究 |
1.3 主要研究内容 |
1.4 论文的组织与结构 |
2 语义物联网的三层级语义服务结构化网络 |
2.1 理论基础 |
2.1.1 语义物联网服务的四面体层次体系结构 |
2.1.2 语义物联网的适应性支撑框架 |
2.1.3 Markov网络 |
2.1.4 Markov逻辑网络 |
2.2 语义物联网的三层级语义服务结构化网络 |
2.2.1 感知元层 |
2.2.2 语义对象层 |
2.2.3 语义服务事件层 |
2.3 基于Markov网的语义服务结构化网络的构建 |
2.3.1 语义服务事件的Markov网 |
2.3.2 结构化网络模型的构建与更新算法 |
2.4 基于Markov逻辑网络的语义服务关系推理 |
2.4.1 服务事件链接推理算法策略分析 |
2.4.2 服务事件链接推理算法 |
2.5 实验 |
2.6 本章小结 |
3 语义服务的复杂自适应情境规则模式 |
3.1 相关理论基础 |
3.1.1 不可区分关系 |
3.1.2 可分辨关系 |
3.2 基于决策依赖度的约简处理 |
3.2.1 决策信息系统等价类划分方法 |
3.2.2 基于可分辨关系的依赖度的求解 |
3.2.3 决策信息系统求核算法 |
3.2.4 决策信息系统基于决策依赖度的约简模型 |
3.3 基于决策依赖度的规则提取 |
3.3.1 决策信息系统的属性值约简 |
3.3.2 求解重复对象集和冲突对象集的算法 |
3.3.3 冗余规则的处理算法 |
3.3.4 基于决策依赖度的规则提取模型 |
3.4 实验 |
3.4.1 基于决策依赖度的约简模型的性能分析 |
3.4.2 基于决策依赖度的规则提取模型的性能分析 |
3.5 本章小结 |
4 语义物联网服务智能组合与选择方法 |
4.1 相关定义 |
4.2 语义概念相似度的求解 |
4.3 服务二分图的最佳语义匹配的求解 |
4.4 基于语义匹配度和组合服务质量的Qos模型的求解 |
4.5 语义物联网服务智能组合与选择算法 |
4.6 实验 |
4.7 本章小结 |
5 结论与展望 |
5.1 论文总结 |
5.2 研究展望 |
附表 |
参考文献 |
作者简历及攻读博士学位期间的科研成果 |
致谢 |
(6)面向不完备邻域数据的三支决策模型与属性约简算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 三支决策国内外研究现状 |
1.2.1 三支决策研究现状 |
1.2.2 邻域决策系统的相关研究 |
1.2.3 不完备单一型决策系统的相关研究 |
1.2.4 不完备混合型决策系统的相关研究 |
1.2.5 属性约简的相关研究 |
1.3 论文研究内容与结构安排 |
1.3.1 主要研究内容 |
1.3.2 本文结构安排 |
1.4 粗糙集理论 |
1.4.1 经典粗糙集理论 |
1.4.2 概率粗糙集理论 |
1.4.3 邻域粗糙集理论 |
1.5 三支决策理论 |
第二章 面向邻域系统的三支决策模型 |
2.1 引言 |
2.2 邻域三支决策模型 |
2.2.1 主要思想 |
2.2.2 算法描述 |
2.3 基于邻域三支决策的学生综合素质评价 |
2.3.1 算法描述 |
2.3.2 评价流程 |
2.3.3 实例分析 |
2.3.4 实验分析 |
2.4 本章小结 |
第三章 面向不完备邻域系统的三支决策模型 |
3.1 引言 |
3.2 基于邻域非对称相似关系的三支决策模型 |
3.2.1 邻域非对称相似关系 |
3.2.2 算法描述及时间复杂度分析 |
3.3 实验分析和对比 |
3.3.1 参数对划分结果的影响 |
3.3.2 与其他粒计算模型的实验比较 |
3.3.3 与容差关系下三支决策模型的实验比较 |
3.4 本章小结 |
第四章 不完备混合邻域系统的三支决策模型 |
4.1 引言 |
4.2 处理不完备混合数据的粒计算方法 |
4.2.1 邻域容差关系 |
4.2.2 限制邻域容差关系 |
4.2.3 完备邻域容差关系 |
4.3 新的完备邻域容差关系近似度量方法 |
4.4 不完备混合数据的三支决策阈值获取方法 |
4.5 不完备混合数据的三支决策模型 |
4.5.1 算法描述 |
4.5.2 实例分析 |
4.6 实验分析和对比 |
4.6.1 参数对本文方法的单调性影响 |
4.6.2 分类性能分析与比较 |
4.7 本章小结 |
第五章 面向特定类的三支概率属性约简算法 |
5.1 引言 |
5.2 面向特定类的经典三支决策属性约简 |
5.3 面向特定类的三支概率属性约简 |
5.3.1 代数观下特定类的三支属性约简 |
5.3.2 信息论下特定类的三支属性约简 |
5.4 医疗诊断实例分析 |
5.5 约简模型的普适性研究 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 未来展望 |
参考文献 |
致谢 |
发表成果和学术经历 |
(7)基于核对齐的若干学习问题研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 核对齐的研究现状 |
1.3 模糊粗糙集及异构数据属性约简的研究现状 |
1.3.1 模糊粗糙集 |
1.3.2 异构数据属性约简 |
1.4 多标记学习研究现状 |
1.4.1 多标记学习方法 |
1.4.2 多标记的特征选择方法 |
1.5 本文的主要工作及内容安排 |
第2章 模糊核对齐及在异构数据属性约简中的应用 |
2.1 引言 |
2.2 预备知识 |
2.2.1 模糊相似关系 |
2.2.2 核对齐的相关概念 |
2.2.3 支持向量机 |
2.3 模糊核对齐及其在异构数据属性约简中的应用 |
2.4 实验比较 |
2.5 本章小结 |
第3章 一种新的基于核化模糊粗糙集的分类算法 |
3.1 引言 |
3.2 基础知识 |
3.2.1 模糊逻辑算子 |
3.2.2 模糊粗糙集的相关概念 |
3.3 基于核化模糊粗糙集的分类算法 |
3.4 实验结果 |
3.5 本章小结 |
第4章 基于核对齐的多标记学习算法 |
4.1 引言 |
4.2 预备知识 |
4.2.1 BR算法 |
4.2.2 分类器链多标记学习算法 |
4.2.3 评价指标 |
4.3 多标记学习的核函数选择 |
4.3.1 基于核对齐的多标记的核函数选择 |
4.3.2 基于局部核对齐的多标记的核函数选择 |
4.4 一种基于核对齐的分类器链的多标记学习算法 |
4.5 实验分析 |
4.5.1 参数设置 |
4.5.2 基于全局与局部核对齐的多标记核函数选择的有效性验证 |
4.5.3 基于核对齐的分类器链的多标记学习算法的有效性验证 |
4.6 本章小结 |
第5章 基于核对齐的多标记数据的特征选择 |
5.1 引言 |
5.2 预备知识 |
5.2.1 多标记学习 |
5.2.2 一种多标记学习的懒惰学习算法:MLKNN |
5.2.3 评价指标 |
5.3 基于核对齐的多标记数据的特征选择 |
5.4 数值实验 |
5.5 本章小结 |
第6章 结论与展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(8)证据理论关键问题研究及在掘进机工况识别中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 掘进机研究现状 |
1.2.2 证据理论研究现状 |
1.3 主要研究内容及技术路线 |
1.4 本文的组织结构 |
1.5 本章小结 |
第二章 冲突证据合成研究 |
2.1 D-S证据理论基础 |
2.1.1 基本定义 |
2.1.2 Dempster组合规则 |
2.2 Dempster 合成规则悖论问题 |
2.2.1 Zadeh悖论 |
2.2.2 信任偏移问题 |
2.2.3 焦元基模糊悖论 |
2.2.4 悖论产生的原因 |
2.3 冲突证据的度量 |
2.3.1 冲突系数 |
2.3.2 基于证据距离的冲突度量 |
2.3.3 联合冲突系数和证据距离的度量 |
2.4 一种新的证据距离 |
2.4.1 焦元的相似性 |
2.4.2 基于Baroni-Urbani&Buser相似性系数的证据距离 |
2.4.3 证据距离的几何解释 |
2.4.4 算例分析 |
2.5 冲突证据的合成方法 |
2.5.1 修改D-S合成规则 |
2.5.2 修正证据源 |
2.6 一种新的冲突证据合成方法 |
2.6.1 基于证据距离的冲突证据合成方法 |
2.6.2 算例分析 |
2.7 本章小结 |
第三章 基本概率分配函数研究 |
3.1 粗糙集和邻域粗糙集 |
3.1.1 粗糙集 |
3.1.2 邻域粗糙集 |
3.1.3 粗糙集和证据理论的关系 |
3.2 常用基本概率分配函数的生成方法 |
3.3 一种新的基本概率分配函数生成方法 |
3.3.1 基于邻域粗糙集的条件基本概率分配函数生成 |
3.3.2 算例分析 |
3.4 邻域粗糙集中属性权值的确定 |
3.4.1 代数观下的属性重要度 |
3.4.2 信息观下的属性重要度 |
3.4.3 改进的属性权值 |
3.5 本章小结 |
第四章 掘进机振动信号特性分析及特征提取 |
4.1 掘进机实验介绍 |
4.1.1 掘进机简介 |
4.1.2 实验环境及测试方法 |
4.2 变分模态分解 |
4.2.1 变分模态分解原理 |
4.2.2 仿真信号分解 |
4.3 掘进机振动信号特性分析 |
4.3.1 时域特性分析 |
4.3.2 频域特性分析 |
4.3.3 时频域特性分析 |
4.4 掘进机振动信号特征提取 |
4.4.1 掘进机振动信号时域特征量提取 |
4.4.2 基于VMD的掘进机振动信号特征量提取 |
4.4.3 VMD中K值的确定 |
4.5 本章小结 |
第五章 证据理论在掘进机工况识别中的应用 |
5.1 基于邻域粗糙集和D-S证据理论的识别方法 |
5.1.1 算法流程 |
5.1.2 UCI数据库实验 |
5.2 基于邻域粗糙集和D-S证据理论的掘进机工况识别 |
5.2.1 单一方向单个特征量实验 |
5.2.2 单一方向多特征量实验 |
5.2.3 多方向多特征量实验 |
5.3 识别算法比较 |
5.3.1 卷积神经网络 |
5.3.2 基于VMD和 CNN的掘进机工况识别 |
5.3.3 识别算法对比实验 |
5.4 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文及科研工作情况 |
(9)基于粒计算的混合属性数据增量式知识获取方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 静态信息系统中属性约简算法研究现状 |
1.2.2 动态系统中增量式属性约简算法研究现状 |
1.2.3 动态信息系统中并行式属性约简算法研究现状 |
1.3 研究内容与创新工作 |
1.4 论文组织结构 |
第二章 预备知识 |
2.1 经典粗糙集模型 |
2.2 邻域粗糙集模型 |
2.3 粒度度量 |
2.3.1 经典粗糙集模型中知识粒度的计算方式 |
2.3.2 经典粗糙集模型下基于知识粒度的属性约简 |
2.4 本章小结 |
第三章 属性增加时基于知识粒度的混合属性数据增量约简算法 |
3.1 引言 |
3.2 相关知识 |
3.2.1 混合系统中知识粒度的计算方法 |
3.2.2 混合系统中属性变化时知识粒度的增量机制 |
3.3 属性增加时混合系统的属性约简算法 |
3.3.1 非增量式属性约简算法 |
3.3.2 增量式属性约简算法 |
3.3.3 算法时间、空间复杂度分析 |
3.4 实验仿真对比分析 |
3.4.1 数据集与实验环境 |
3.4.2 不同数据集的实验对比分析 |
3.5 本章小结 |
第四章 样本变化时基于多粒度的混合属性数据增量式约简算法 |
4.1 引言 |
4.2 相关知识 |
4.2.1 基于经典粗糙集模型的知识粒度增量机制 |
4.2.2 基于邻域多粒度模型的知识粒度的计算方式 |
4.2.3 样本增加时基于邻域模型的知识粒度增量机制 |
4.2.4 样本删除时基于邻域模型的知识粒度增量机制 |
4.3 样本变化时混合系统的属性约简算法 |
4.3.1 基于多粒度的非增量式约简算法 |
4.3.2 样本变化时基于多粒度的增量式约简算法 |
4.4 实验仿真对比分析 |
4.4.1 数据集与实验环境 |
4.4.2 不同数据集的实验对比分析 |
4.5 本章小结 |
第五章 混合信息系统中并行式增量属性约简算法 |
5.1 引言 |
5.2 相关知识 |
5.2.1 邻域粗糙集模型子信息系统分析 |
5.2.2 MapReduce模型 |
5.3 样本变化时混合信息系统并行式增量属性约简算法 |
5.3.1 算法思路 |
5.3.2 并行化策略 |
5.4 仿真实验 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 研究展望 |
参考文献 |
攻读硕士期间的科研成果 |
致谢 |
(10)Spark框架下优势关系粗糙集动态属性约简方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.2 国内外研究现状 |
1.2.1 优势粗糙集研究现状分析 |
1.2.2 粗糙集动态知识发现现状分析 |
1.2.3 并行知识发现研究现状分析 |
1.3 本文研究内容和论文结构 |
第2章 预备知识 |
2.1 经典粗糙集理论 |
2.2 优势关系粗糙集 |
2.3 属性重要度评价方式 |
2.4 启发式属性约简算法 |
2.5 Spark内存计算框架 |
2.6 本章小结 |
第3章 对象变化时增量属性约简算法 |
3.1 增加单个对象时增量属性约简原理 |
3.1.1 增加对象时优势集变化原理 |
3.1.2 优势条件熵增量更新原理 |
3.1.3 算法设计与分析 |
3.1.4 算法时间复杂度分析 |
3.2 实验方案和结果分析 |
3.2.1 实验方案 |
3.2.2 实验结果分析 |
3.3 本章小结 |
第4章 基于二进制编码矩阵的动态属性约简算法 |
4.1 增加单个属性时增量属性约简算法 |
4.1.1 添加单个属性时对象的优势集变化原理 |
4.1.2 算例 |
4.1.3 基于二进制编码矩阵更新原理 |
4.1.4 算法设计与分析 |
4.1.5 算法时间复杂度分析 |
4.2 实验方案及结果分析 |
4.2.1 实验方案 |
4.2.2 实验结果分析 |
4.3 本章小结 |
第5章 基于字符组合编码矩阵的增量属性约简算法 |
5.1 单属性值时变化动态属性约简 |
5.1.1 字符组合编码 |
5.1.2 字符组合编码更新原理 |
5.1.3 算例 |
5.1.4 基于字符组合编码矩阵增量属性约简算法 |
5.1.5 算法时间复杂度分析 |
5.2 实验设计和结果分析 |
5.2.1 实验方案 |
5.2.2 实验结果分析 |
5.3 本章小结 |
第6章 Spark并行知识发现方法 |
6.1 Spark框架并行启发式属性约简原理及算法设计 |
6.1.1 优势条件熵并行计算原理 |
6.1.2 启发式属性约简并行原理 |
6.1.3 优势关系粗糙集并行属性约简算法 |
6.2 实验方案及结果分析 |
6.2.1 实验方案 |
6.2.2 结果分析 |
6.3 本章小结 |
第7章 总结与展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
四、一种新的求解属性值约简算法(论文参考文献)
- [1]基于改进型RS-SVM相结合的配电网故障诊断技术研究[D]. 贾志成. 青岛大学, 2020(01)
- [2]基于邻域粗糙集的增量属性约简算法研究[D]. 侯文丽. 太原理工大学, 2020(07)
- [3]基于粗糙集模型扩展的特征选择算法研究[D]. 吴照玉. 安徽大学, 2020(07)
- [4]面向动态有序数据的知识发现方法研究[D]. 王澍. 西南交通大学, 2019
- [5]层级语义下情境适应的SWoT服务组合与选择机理[D]. 陈鑫影. 大连海事大学, 2019(07)
- [6]面向不完备邻域数据的三支决策模型与属性约简算法研究[D]. 彭莉莎. 江西农业大学, 2019(03)
- [7]基于核对齐的若干学习问题研究[D]. 陈琳琳. 华北电力大学(北京), 2019(01)
- [8]证据理论关键问题研究及在掘进机工况识别中的应用[D]. 曹俊琴. 太原理工大学, 2019(07)
- [9]基于粒计算的混合属性数据增量式知识获取方法研究[D]. 曾永钢. 南京财经大学, 2019(04)
- [10]Spark框架下优势关系粗糙集动态属性约简方法研究[D]. 杨留中. 西南交通大学, 2019(03)