遗传模糊分类系统构建中规则获取和解释性优化的关键技术研究

模式识别论文 模糊分类论文 解释性论文 语言建模论文 遗传机器学习算法论文 小生境论文 多目标优化论
论文详情
使用遗传算法对基于规则的模糊分类系统进行学习和优化是模式分类中的一个重要分支,在具有非精确和非确定信息的分类应用中具有重要的理论和应用价值。该类方法在复杂环境中面临着两个挑战:一是遗传算法的搜索效率导致的准确性问题,二是分类规则集的复杂程度导致的解释性问题。这两个问题直接制约了系统在现实中的应用。本文围绕着这两个问题展开研究,主要的研究工作体现在以下三个方面。(1)按照词语计算的概念,对分类规则采用词语的形式进行描述。根据5个原子词语及给出的4个语言限定的相似性变换方法构成分类规则的模糊隶属函数,采用语言建模的方法,使规则的条件设置符合人类推理的机制。在此基础上,设计了将专家知识融入系统构建过程中的方法,并根据传统的遗传机器学习方法,给出了以准确性为目标的模糊规则自动获取的算法,包括编码、适应度函数、遗传操作及一些特殊策略。(2)针对遗传算法在高维及不平衡数据分布的情况下难以进行全局搜索的问题,将共享和排挤两类小生境技术应用于模糊规则的学习中,获取较优的特征属性或分类边界。对传统机器学习方法的搜索能力进行分析,据此给出模糊规则之间相似度(距离)的度量,采用适应度共享和确定性排挤,减轻典型算法选择机制对低适应值的个体的选择压力,保持种群的多样性,从而保证算法对整个问题空间的有效搜索。同时,预先缓存各语言词语间的相似性值,减少算法运行中规则间相似度的计算量。实验采用构造出的一系列分类数据分布以及标准的测试数据集对传统和基于小生境的学习方法进行测试,表明引入了小生境的学习算法能在高维及不平衡的数据分布上获取比传统方法准确率较高的模糊分类规则。(3)阐述了解释性的各指标,分析了系统构建过程的不同阶段中对各指标的要求。针对语言建模的方法仍需以合适的模糊规则数目、规则条件数目以保证良好解释性的问题,结合准确性将基于相似性简化和基于Pareto的NSGA-Ⅱ的多目标优化算法应用于模糊分类系统的优化。简化算法以聚集函数法将多目标转换为单目标,对已有的模糊规则集进行优化,而NSGA-Ⅱ算法以Pareto秩作为适应度值,通过对训练数据集的直接学习而能产生不同的非支配解集,提供不同的折衷方案供决策者进行选择。通过在标准测试集上的实验,将本文的方法与C4.5及GP-COACH方法进行比对及分析各方法的性能。
摘要第3-5页
ABSTRACT第5-6页
目录第7-9页
第一章 绪论第9-19页
    1.1 基于知识的模糊技术第9-11页
    1.2 遗传模糊分类系统第11-16页
        1.2.1 遗传模糊分类系统的结构第11-13页
        1.2.2 遗传模糊分类系统的研究现状第13-16页
    1.3 研究内容第16-19页
第二章 模糊逻辑与遗传算法第19-35页
    2.1 模糊集合理论第19-20页
    2.2 模糊规则及模糊推理第20-24页
        2.2.1 语言变量及模糊规则第20-22页
        2.2.2 模糊推理系统第22-24页
    2.3 模糊分类系统的性能指标第24-27页
    2.4 遗传算法结构第27-31页
    2.5 早熟收敛及其抑制第31-35页
第三章 基于语言建模的模糊隶属函数第35-50页
    3.1 词语计算第35-39页
        3.1.1 词语计算背景第35-36页
        3.1.2 词语计算结构第36-39页
    3.2 专家知识的融合第39-43页
        3.2.1 融合专家知识的模糊分类系统第39-40页
        3.2.2 基于语言建模的词语选择和变换第40-43页
    3.3 实验与分析第43-48页
    3.4 本章小结第48-50页
第四章 分类规则自动获取的遗传机器学习方法第50-71页
    4.1 遗传机器学习简介第50-53页
    4.2 基于机器学习的模糊遗传算法第53-55页
    4.3 遗传模糊学习算法设计第55-64页
        4.3.1 编码及初始基因池策略第56-58页
        4.3.2 规则分类结果的确定第58-59页
        4.3.3 适应度函数第59-60页
        4.3.4 选择、精英选择及覆盖算法第60-62页
        4.3.5 交叉和变异第62-64页
    4.4 实验与分析第64-70页
        4.4.1 测试数据集第64-65页
        4.4.2 遗传学习参数设置及结果第65-66页
        4.4.3 实验分析第66-70页
    4.5 本章小结第70-71页
第五章 小生境的遗传模糊学习方法第71-94页
    5.1 小生境技术第71-75页
        5.1.1 共享第72-74页
        5.1.2 排挤第74-75页
    5.2 传统遗传模糊学习方法搜索能力的分析第75-78页
    5.3 基于小生境的遗传模糊学习方法第78-81页
        5.3.1 相似性测度的定义第78-79页
        5.3.2 适应度共享第79-80页
        5.3.3 排挤第80-81页
        5.3.4 学习算法描述第81页
    5.4 分类测试问题的设置第81-83页
    5.5 实验与分析第83-93页
        5.5.1 测试分类问题的构造及实验结果第84-91页
        5.5.2 标准数据上的实验结果第91-93页
    5.6 本章小结第93-94页
第六章 系统解释性及多目标遗传优化算法第94-115页
    6.1 模糊分类系统的解释性第94-97页
    6.2 分类系统的解释性分析第97-100页
        6.2.1 规则获取阶段的解释性第97-99页
        6.2.2 规则集合解释性优化的分析第99-100页
    6.3 多目标优化的遗传算法第100-109页
        6.3.1 多目标优化问题及常见的算法第100-103页
        6.3.2 相似性简化的优化算法第103-105页
        6.3.3 基于Pareto方法的优化算法第105-109页
    6.4 实验与分析第109-114页
        6.4.1 相似性简化算法的实验第110-111页
        6.4.2 NSGA-Ⅱ优化算法的实验第111-114页
    6.5 本章小结第114-115页
第七章 总结第115-118页
    7.1 总结第115-116页
    7.2 进一步的工作第116-118页
参考文献第118-129页
致谢第129-130页
在读期间承担的科研项目和发表的学术论文第130页
论文购买
论文编号ABS538177,这篇论文共130页
会员购买按0.30元/页下载,共需支付39
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付65
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656