学位论文 > 优秀研究生学位论文题录展示
基于DFS的概念学习机制研究
作 者: 刘学刚
导 师: 李凡长
学 校: 苏州大学
专 业: 计算机应用技术
关键词: 动态模糊概念学习 动态模糊集(DFS) 动态模糊概念格 动态模糊概念树
分类号: TP181
类 型: 硕士论文
年 份: 2011年
下 载: 40次
引 用: 0次
阅 读: 论文下载
内容摘要
概念学习作为机器学习的一种学习范式,其相关算法被广泛应用于数据挖掘、模式识别、图像处理等相关领域,并且取得了较好的应用效果。目前,研究概念学习的基础理论主要有:模糊集、粗糙集、布尔代数、经典逻辑、粒计算等。基于这些基本理论形成的概念学习方法对处理海量数据中的动态模糊数据存在不足。因此,采用动态模糊集合理论研究概念学习是一种必然的选择。经过近三年的研究,取得的成绩主要有:(1)分析了通过DFS理论研究概念学习的可行性;提出了动态模糊概念的表示模型。(2)提出了基于DF格的概念学习模型,先后介绍了动态模糊形式背景的预处理、动态模糊概念格构建以及约简算法等。(3)提出了基于DFDT的概念学习模型,先后介绍了动态模糊概念树的构建、动态模糊概念树的剪枝以及动态模糊概念规则提取算法等。(4)针对文中的算法,在人脸识别和UCI数据集上进行了相关实验,验证了算法的有效性。
|
全文目录
摘要 4-5 Abstract 5-9 第一章 绪论 9-14 1.1 问题提出 9-10 1.2 非经典集合研究现状 10-13 1.2.1 模糊集研究现状 10-12 1.2.2 动态模糊逻辑的产生 12-13 1.3 本文的内容安排 13-14 第二章 DF 概念学习理论基础 14-28 2.1 DF 概念学习的认知机理 14-15 2.1.1 传统的概念学习 14 2.1.2 DF 概念学习 14-15 2.2 动态模糊集合介绍 15-25 2.2.1 基本概念 15-17 2.2.2 动态模糊格理论 17-21 2.2.3 DF 关系与DF 矩阵理论 21-24 2.2.4 DFS 和概念学习的关系 24-25 2.3 DF 概念的表示模型 25-27 2.4 本章小结 27-28 第三章 DF 概念学习空间模型 28-40 3.1 DF 概念学习的序模型 28-31 3.1.1 DF 假设空间的序结构 28-29 3.1.2 FIND-S 算法与候选消除算法 29-31 3.2 DF 概念学习计算模型 31-36 3.2.1 DFPAC 学习框架理论 31-33 3.2.2 DF 假设空间的样本复杂度 33-35 3.2.3 DF 出错界限模型 35-36 3.3 DF 实例空间降维模型 36 3.4 DF 属性空间降维模型 36-39 3.4.1 DFPCA 降维模型 37-38 3.4.2 DFLDA 降维模型 38-39 3.5 本章小结 39-40 第四章 基于DF 格的概念学习模型 40-53 4.1 经典概念格的构建方法 40-43 4.1.1 批次式建格算法 40-42 4.1.2 增量式建格算法 42-43 4.2 基于DFS 构建格算法 43-46 4.2.1 DF 概念格的分层 43-44 4.2.2 DF 概念格逐层构建算法 44-45 4.2.3 DF 概念格临界分层构建算法 45-46 4.3 DF 概念格约简 46-48 4.3.1 概念格约简研究背景与现状 46-47 4.3.2 基于聚类技术的约简 47-48 4.4 DF 概念规则提取 48-50 4.4.1 动态模糊规则表示形式 48-49 4.4.2 动态模糊规则提取算法 49-50 4.5 算法举例和实验分析 50-52 4.5.1 算法举例 50-52 4.5.2 实验对比 52 4.6 本章小结 52-53 第五章 基于DFDT 的概念学习模型 53-64 5.1 决策树的研究现状 53-54 5.1.1 决策树的研究现状 53-54 5.1.2 DF 概念树与生成策略 54 5.2 DF 概念树的生成 54-61 5.2.1 DF 属性选择度量标准 54-56 5.2.2 动态模糊数据的离散化 56-59 5.2.3 DF 概念树的构建算法 59 5.2.4 DF 概念树的剪枝策略 59-61 5.3 DF 概念规则提取与匹配算法 61-63 5.3.1 动态模糊概念规则提取 61-62 5.3.2 基于DF 概念树的概念匹配算法 62-63 5.4 本章小结 63-64 第六章 应用实例与分析 64-71 6.1 基于DF 概念格的人脸识别实验 64-68 6.1.1 人脸识别简介 64 6.1.2 ORL 人脸库简介 64-65 6.1.3 实验平台与步骤 65-68 6.2 UCI 数据集上的数据分类实验 68-71 6.2.1 UCI 数据集上的数据分类实验 68-70 6.2.2 实验结果分析 70-71 第七章 总结与展望 71-73 7.1 本文研究内容总结 71-72 7.2 未来工作展望 72-73 参考文献 73-79 附录 79-80 中英文名词对照表 80-81 致谢 81-82
|
相似论文
- 多样性密度学习算法的研究与应用,TP181
- 李群深层结构学习算法研究,TP181
- 基于LSSVM的短期交通流预测研究与应用,TP181
- 线性链条件随机场训练算法优化的研究,TP181
- 类别不平衡数据的集成学习研究,TP181
- 基于粗糙集与遗传算法的聚类算法,TP181
- 机器学习中知识迁移方法研究,TP181
- 基于AFSA的聚类算法研究及应用,TP181
- 一种改进的动态SOM算法及其在聚类中的应用,TP181
- 产品评价对象的提取与分析,TP181
- 基于KL距离的半监督分类算法,TP181
- 序列数据多分类问题的研究与实现,TP181
- 流形学习理论和算法及其在生物认证中的应用,TP181
- 基于多维关联规则的粒度支持向量机学习方法研究,TP181
- Bayesian网的学习及其在数据挖掘中的应用,TP181
- 面向支持向量机的特征约简研究,TP181
- 基于图的半监督学习算法研究,TP181
- 基于核的连续空间增强学习方法及应用研究,TP181
- FSRL模糊推理机的设计与实现,TP181
- 基于RM界的多核支持向量机算法研究,TP181
- 基于正则化框架的核函数选择,TP181
- 新的支持向量机增量学习算法,TP181
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|