学位论文 > 优秀研究生学位论文题录展示

改进型RBF神经网络的多标签算法研究

作　者: 李书玲
导　师: 刘蓉
学　校: 华中师范大学
专　业: 电路与系统
关键词: 多标签分类 RBF神经网络 k均值聚类 AP聚类
分类号: TP183
类　型: 硕士论文
年　份: 2014年
下　载: 4次
引　用: 0次
阅　读: 论文下载

内容摘要

分类是模式识别的关键问题之一,根据样本所属的标签个数可分为单标签分类和多标签分类,多标签分类在实际应用中相当广泛。多标签分类是指通过训练集的己知样本,建立相应模型,使测试集的每一个样本能够同时对应多个样本标签所进行的分类。已有的RBF神经网络算法并未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定程度的影响。针对此问题,本文设计了改进型RBF神经网络的多标签算法,并在公共多标签数据集上进行实验验证,证明了该算法的有效性。本文工作主要包括以下几个方面：(1)简要分析了多标签技术的研究现状以及研究意义,并对如何处理多标签问题进行了归纳与总结。(2)优化了隐含层RBF神经网络基函数中心常用求取算法—k均值聚类算法。采用AP聚类自动寻找kl值,以获得隐含层节点数目,并构造Huffman树选取初始聚类中心,以防k均值聚类结果陷入局部最优。通过多标签实验验证,表明了改进后的方法可以有效的提高多标签分类能力。(3)设计了改进型RBF神经网络的多标签算法。首先分析样本多标签之间的关联性,构造体现多标签之间信息的标签计数向量C,然后与改进k均值聚类后求得的RBF神经网络基函数中心线性叠乘,获取新的基函数中心,建立RBF神经网络模型。通过实验验证,该算法在提高识别性能的同时,也扩大了数据的泛化性能。(4)通过实验验证了改进型RBF神经网络的多标签算法的有效性。在公共多标签数据集emotion和image上进行实验,并与各种算法分析与比较,本文改进的算法在多标签评价指标average precision、coverage、hamming loss、one-error和ranking loss上都得到了提升,实验结果整体表现良好。

全文目录

摘要  5-6
Abstract  6-9
1 绪论  9-15
  1.1 引言  9
  1.2 研究背景及意义  9-10
  1.3 国内外研究现状  10-12
  1.4 多标签的典型应用  12-14
  1.5 本文内容及安排  14-15
2 多标签分类研究  15-26
  2.1 多标签研究  15-23
    2.1.1 多标签关联性研究  15-16
    2.1.2 多标签转化处理研究  16-19
    2.1.3 多标签算法研究  19-23
  2.2 多标签评价标准  23-25
  2.3 本章小结  25-26
3 RBF神经网络  26-31
  3.1 RBF神经网络结构  26-28
  3.2 多标签神经网络结构  28-30
  3.3 本章小结  30-31
4 改进型RBF神经网络的多标签算法研究  31-41
  4.1 初始聚类中心的确定  31-35
  4.2 k值的确定  35-37
  4.3 标签计数向量的求解  37-39
  4.4 基函数中心的确定  39-40
  4.5 本章小结  40-41
5 实验结果与分析  41-50
  5.1 实验数据集介绍  41-42
  5.2 实验结果分析  42-49
    5.2.1 k均值聚类k值选择结果比较  42-43
    5.2.2 k均值聚类初始聚类中心的确定结果比较  43-44
    5.2.3 多标签关联性实验结果比较  44-46
    5.2.4 改进型RBF神经网络的多标签算法实验结果比较  46-49
  5.3 本章小结  49-50
6 总结与展望  50-51
  6.1 总结  50
  6.2 展望  50-51
参考文献  51-56
攻读硕士期间发表论文  56-57
致谢  57

改进型RBF神经网络的多标签算法研究

内容摘要

全文目录

相似论文