多目標(biāo)粒度支持向量機(jī)及其應(yīng)用研究.pdf

1、如何提高學(xué)習(xí)機(jī)的推廣能力、訓(xùn)練復(fù)雜性和可理解性是機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)和重點(diǎn)。粒計(jì)算或粒度模型將復(fù)雜研究對象分割成一些簡單的研究對象,以便從微觀的角度觀察和分析問題,降低其復(fù)雜性,如訓(xùn)練復(fù)雜性。相反,對于微觀的簡單問題,通過逐步綜合的方法將相關(guān)的簡單問題合并,從宏觀上研究問題以降低處理多個(gè)簡單問題帶來的復(fù)雜性。對于用戶而言,分類錯(cuò)誤率和訓(xùn)練復(fù)雜性是衡量分類算法的相互沖突的指標(biāo),構(gòu)造分類錯(cuò)誤率低且訓(xùn)練復(fù)雜性低的分類算法是多目標(biāo)優(yōu)化問題。近

2、年來,多目標(biāo)優(yōu)化已融入了機(jī)器學(xué)習(xí)領(lǐng)域,并且可以構(gòu)造給定訓(xùn)練集上的一簇多個(gè)目標(biāo)折衷的學(xué)習(xí)方法,供決策者根據(jù)需求選取合適的學(xué)習(xí)機(jī)。對于支持向量機(jī)而言,不同的訓(xùn)練樣本對于訓(xùn)練過程的貢獻(xiàn)度不同,容易錯(cuò)分的樣本對構(gòu)造分類超平面的貢獻(xiàn)度較大,而不容易錯(cuò)分的樣本對構(gòu)造分類超平面的貢獻(xiàn)度較小。根據(jù)樣本的貢獻(xiàn)度構(gòu)造訓(xùn)練集的粒度模型,選取對分類超平面貢獻(xiàn)度較大的樣本構(gòu)造支持向量機(jī)是降低訓(xùn)練復(fù)雜性常用方法之一。
　　 本文融合粒計(jì)算、多目標(biāo)優(yōu)化和支持

3、向量機(jī),研究了基于模糊格的粒計(jì)算、多目標(biāo)粒計(jì)算和粒度支持向量機(jī)三種算法。論文的創(chuàng)新性工作如下:
　　 利用格和對偶格之間的同構(gòu)映射消除向量集和粒集上兩種偏序關(guān)系的不一致性,根據(jù)同構(gòu)映射和正評價(jià)函數(shù)構(gòu)造粒之間的模糊包含度和合并后的粒度對粒進(jìn)行有條件的合并,構(gòu)造了基于模糊格的粒計(jì)算分類算法,并從代數(shù)系統(tǒng)的角度證明構(gòu)造的粒計(jì)算的可行性。數(shù)值實(shí)驗(yàn)結(jié)果證明了與支持向量機(jī)相比基于模糊格的粒計(jì)算不但加速了訓(xùn)練過程而且具有較高的推廣能力。

4、>　　 針對粒計(jì)算產(chǎn)生的冗余粒,根據(jù)粒的數(shù)量和分類錯(cuò)誤率兩個(gè)指標(biāo)的重要性不同,在Pareto支配關(guān)系的基礎(chǔ)上,定義了基于重要度的Pareto支配關(guān)系(IPareto,Importance-basedParetoDominance)比較個(gè)體的優(yōu)劣,建立了粒的數(shù)量與分類錯(cuò)誤率的多目標(biāo)粒計(jì)算模型,設(shè)計(jì)了相應(yīng)的演化算法。該演化算法用粒的兩層結(jié)構(gòu)表示個(gè)體,設(shè)計(jì)了個(gè)體之間的交叉算子、單一個(gè)體上的合并算子和變異算子,用先驗(yàn)信息指導(dǎo)算法收斂到IPar

5、eto前沿。實(shí)驗(yàn)結(jié)果表明與傳統(tǒng)的粒計(jì)算相比多目標(biāo)粒計(jì)算得到更多的分類機(jī)制,即多目標(biāo)粒計(jì)算得到一簇分類器供用戶選擇,每個(gè)分類器都是分類錯(cuò)誤率對應(yīng)的最小規(guī)模的分類粒集。
　　 針對大量非支持向量導(dǎo)致了支持向量機(jī)較高的訓(xùn)練復(fù)雜性,通過支持向量的分布特征估計(jì)了其分布,建立訓(xùn)練集的粒度模型,剔除部分非支持向量,選取極有可能成為支持向量的樣本構(gòu)造粒度支持向量機(jī)。該類粒度支持向量機(jī)根據(jù)樣本對訓(xùn)練的不同貢獻(xiàn)度,選取貢獻(xiàn)度較大的樣本構(gòu)造粒度模糊支

6、持向量機(jī);定義訓(xùn)練集上的等價(jià)關(guān)系,利用屬性值的離散化構(gòu)造訓(xùn)練集的粒度模型,選取包含不同類樣本的粗糙集邊界構(gòu)造粒度模糊支持向量機(jī)；利用屬性的重要性對屬性集精簡或粒化,構(gòu)造粒度模糊支持向量機(jī)。實(shí)驗(yàn)結(jié)果表明該類學(xué)習(xí)機(jī)降低了訓(xùn)練復(fù)雜性,提高了推廣能力。
　　 將提出的超盒粒計(jì)算分類算法用于無線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)定位問題。首先,利用已知節(jié)點(diǎn)與錨節(jié)點(diǎn)之間的通信量構(gòu)造訓(xùn)練集；其次,對定位區(qū)域進(jìn)行網(wǎng)格化,將訓(xùn)練集轉(zhuǎn)化為分類問題的訓(xùn)練集；訓(xùn)練分類算