基于模糊粗糙集和超网络的分类方法研究

论文摘要

超网络是一种基于规则的分类模型,能够有效地处理各种分类问题,已被广泛地应用于模式分类、机器学习、生物信息学等领域。在实际应用中,传统超网络模型主要存在以下两个问题:（1）模型只能处理离散型数据;（2）超边初始化过程中存在着较大的随机性。模糊粗糙集能够有效地处理具有复杂属性的数据,因此,本文在传统超网络的基础上,结合模糊粗糙集理论提出了一种模糊超网络模型。主要的工作内容如下:（1）结合模糊粗糙集理论与超网络的相关知识,提出了一种基于模糊超网络的分类方法。首先,根据最优模糊相似度阈值λ计算每个训练样本的λ-等价类样本集合,并根据该集合的类别分布将训练集中的样本划分为边界域样本、正域样本和负域样本,不同区域的样本按照不同的规则生成超边;其次,在超边替代过程中,模糊超网络会根据超边对训练样本的分类效果将超边集划分成三个区域:正域、负域、边界域,不同区域设置不同的替换规则;最后,在分类时,模糊超网络根据待分类样本的λ-等价类超边的投票结果来判断样本的类别。为了验证算法的性能,本文在15个UCI数据集上进行了实验,并采用正确率、Precision、Recall等作为评价指标,证明了模糊超网络具有较高适用性,在不同的数据集上都具有较好的分类效果。（2）针对串行算法在处理大规模数据集时出现的运行时间长、执行效率低等问题,本文结合Spark分布式并行计算框架,实现了并行化的模糊超网络分类算法。首先,从HDFS中读取数据创建训练集RDD和测试集RDD,并对训练集RDD进行转换得到超边集RDD;然后,采用并行的超边替代算法进行演化学习;最后,输出模糊超网络模型对测试集RDD中的数据进行分类。实验结果表明,并行算法既保持了原串行算法的有效性,又大幅度地降低了运行所需的时间。

论文目录

• 摘要
• abstract
• 第1章 绪论
•   1.1 研究目的和意义
•   1.2 超网络理论与研究现状
•   1.3 模糊粗糙集理论介绍
•   1.4 论文主要工作
•   1.5 论文组织结构
• 第2章 超网络分类器原理
•   2.1 超网络模型
•   2.2 超网络分类器
•   2.3 超网络演化学习
•     2.3.1 基于梯度下降的演化学习方法
•     2.3.2 基于超边替代的演化学习方法
•   2.4 本章小结
• 第3章 基于模糊超网络的分类方法
•   3.1 模糊等价类
•   3.2 模糊超网络模型
•   3.3 模糊超网络分类算法
•     3.3.1 算法思路
•     3.3.2 算法描述
•   3.4 实验设计与分析
•     3.4.1 数据集及评价指标
•     3.4.2 实验方法
•     3.4.3 实验结果与分析
•   3.5 本章小结
• 第4章 基于模糊超网络的分类算法的并行化
•   4.1 Spark介绍
•     4.1.1 Spark生态系统
•     4.1.2 弹性分布式数据集RDD
•     4.1.3 Spark on YARN模式
•   4.2 模糊超网络分类算法的优化
•   4.3 基于模糊超网络的并行化分类算法
•     4.3.1 数据预处理
•     4.3.2 超网络初始化
•     4.3.3 训练集分类
•     4.3.4 超边替代
•   4.4 实验结果与分析
•     4.4.1 实验数据
•     4.4.2 最优模糊相似度阈值计算方法对比分析
•     4.4.3 并行算法的有效性
•     4.4.4 并行算法的高效性
•   4.5 本章小结
• 第5章 总结及未来工作
•   5.1 主要工作与创新点
•   5.2 后续研究工作
• 参考文献
• 致谢
• 攻读硕士学位期间从事的科研工作及取得的成果

文章来源

类型: 硕士论文

作者: 程麟焰

导师: 胡峰

关键词: 模糊粗糙集,超网络,分类,并行化

来源: 重庆邮电大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 重庆邮电大学

分类号: O157.5;TP181

DOI: 10.27675/d.cnki.gcydx.2019.000419

总页数: 68

文件大小: 2237K

下载量: 48