学位论文 > 优秀研究生学位论文题录展示

基于模糊粗糙集的识别技术及其应用研究

作　者: 周雪
导　师: 张伟
学　校: 电子科技大学
专　业: 信号与信息处理
关键词: 模糊粗糙集模糊化属性约简模糊C均值条件熵
分类号: TP18
类　型: 硕士论文
年　份: 2013年
下　载: 23次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来，随着科学技术的发展，获取的目标信息越发膨胀、复杂。面对这种信息量大、信息模糊的环境，对目标进行准确识别就变得越发困难和重要。而模糊粗糙集能有效地从这种不确定、不精确信息中发现隐含知识及分类规则。所以，本论文采用模糊粗糙集的方法对目标进行识别，主要工作如下：首先介绍了粗糙集及模糊粗糙集的基本概念。其次深入分析并研究了基于模糊粗糙集识别技术中的两个核心步骤：属性模糊化和属性约简。对于属性模糊化，针对基于模糊C均值聚类(fuzzy c-means clustering: FCM)的模糊化方法易受孤立点影响的问题，提出了一种基于改进FCM的模糊化方法，实验表明该方法可以获得更准确的模糊化结果。然后对基于FCM的模糊化方法作了进一步分析，针对FCM需人为指定类别数目，且对初始聚类中心敏感的问题，提出了一种自适应的FCM(adaptive fcm: AFCM)模糊化方法，实验证明该方法不仅能自动调整每个条件属性的类别数目，并获得决策表的一个最优划分；而且在划分的过程中还可以提高收敛速度。对于属性约简，介绍并分析了目前常用的模糊粗糙集约简算法QuickReduct，该算法是建立在代数观点上的，直观性比较差、使人不易理解。为了将信息论的观点引入到模糊粗糙集中，本文对粗糙集中的条件熵进行了改写，从而提出了一种基于模糊粗糙集条件熵(fuzzy rough sets condition entropy: FRCE)的约简算法。实验证明，相比QuickReduct，FRCE能够找到一个更小的约简集合，且约简时间更少。最后，在上述研究成果的基础上，设计了基于模糊粗糙集的SAR识别系统，并将其应用于MSTAR数据库中SAR图像的识别。识别实验表明，该识别系统是可行的，且有效的。其中采用AFCM算法和FRCE约简算法结合的方法，得到的正确识别率明显高于普通结合的方法。

全文目录

摘要  5-6
ABSTRACT  6-11
第一章绪论  11-16
  1.1 课题研究背景及意义  11-12
  1.2 模式识别技术的研究现状  12-13
  1.3 基于模糊粗糙集的识别技术  13-15
  1.4 论文研究内容及结构安排  15-16
第二章粗糙集及模糊粗糙集的基本概念  16-26
  2.1 引言  16
  2.2 粗糙集理论  16-21
    2.2.1 知识与分类  16-17
    2.2.2 近似集与粗糙集  17-18
    2.2.3 信息系统和决策表  18-19
    2.2.4 属性的约简与核  19-20
    2.2.5 属性的依赖性和重要性  20-21
    2.2.6 决策规则  21
  2.3 模糊集理论  21-23
    2.3.1 模糊集的定义及其表示法  21-22
    2.3.2 模糊集的关系和运算  22
    2.3.3 模糊集的隶属函数  22-23
  2.4 模糊粗糙集  23-25
    2.4.1 模糊决策表  23-24
    2.4.2 模糊粗糙集的基本概念  24-25
  2.5 本章小结  25-26
第三章模糊粗糙集中的模糊化方法研究  26-45
  3.1 引言  26
  3.2 属性模糊化及其方法  26-29
    3.2.1 模糊化的特点  26-27
    3.2.2 模糊化方法的描述及分析  27-29
  3.3 基于模糊 C 均值聚类的模糊化方法  29-33
    3.3.1 模糊 C 均值聚类过程  29-31
    3.3.2 实例分析  31-33
  3.4 基于改进的模糊 C 均值聚类的模糊化方法  33-36
  3.5 对基于模糊 C 均值聚类的模糊化方法的进一步分析  36-38
  3.6 基于自适应模糊 C 均值聚类的模糊化方法  38-44
    3.6.1 决策表的不相容度  38-39
    3.6.2 属性间的相关性  39-40
    3.6.3 聚类中心的初始化  40-41
    3.6.4 基于自适应模糊 C 均值聚类的模糊化方法  41-42
    3.6.5 实例分析  42-44
  3.7 本章小结  44-45
第四章模糊粗糙集中属性约简方法的研究  45-57
  4.1 引言  45
  4.2 粗糙集中的启发式约简算法  45-48
    4.2.1 基于 PAWLAK属性重要性的属性约简  46-47
    4.2.2 基于互信息的属性约简  47-48
  4.3 QUICKREDUCT 算法  48-51
    4.3.1 QUICKREDUCT约简过程  49
    4.3.2 实例分析  49-51
  4.4 一种基于模糊粗糙集条件熵的属性约简算法  51-56
    4.4.1 条件熵的推导  51-52
    4.4.2 算法流程  52-53
    4.4.3 实例分析  53-56
  4.5 本章小结  56-57
第五章基于模糊粗糙集的SAR识别系统  57-72
  5.1 引言  57-58
  5.2 系统结构概述  58-63
    5.2.1 特征提取  58-61
    5.2.2 模糊粗糙集分类器设计  61-62
    5.2.3 分类决策  62-63
  5.3 系统的工作流程  63
  5.4 系统的工作界面  63-67
  5.5 系统测试  67-71
    5.5.1 MSTAR 数据库  67-68
    5.5.2 实验及结果分析  68-71
  5.6 本章小结  71-72
第六章总结与展望  72-74
致谢  74-75
参考文献  75-79
攻硕期间取得的成果  79-80

基于模糊粗糙集的识别技术及其应用研究

内容摘要

全文目录

相似论文