機器學習及其神經網絡分類器優(yōu)化設計.pdf

1、機器學習以知識的自動獲取和產生為研究目標,是人工智能領域研究的熱點問題之一.分類器的優(yōu)化設計一直是機器學習、模式識別和數據挖掘等領域研究的核心問題,它在圖像識別、語音理解、自然語言處理、醫(yī)療診斷及Web頁面的分類等領域具有廣泛的應用.如何提高分類器對環(huán)境的適應能力,是分類器優(yōu)化設計的關鍵問題.應用機器學習方法實現分類器的優(yōu)化設計,是機器學習和人工智能界的一個重要研究課題. 本文以機器學習及其在神經網絡分類器設計中的應用為研究內容

2、,重點研究了機器學習在求解神經網絡分類器設計中的網絡結構優(yōu)化和樣本選擇優(yōu)化問題的方法.本文的主要研究工作如下: 1)從分類器設計的角度出發(fā),討論了機器學習的最新發(fā)展方向及面臨的具體問題,并對近年來出現的一些新機器學習方法進行了分析和研究. 2)研究了流形學習的分類器網絡結構優(yōu)化設計問題,針對利用神經網絡對同一對象的非線性結構樣本集進行分類和識別時,如何合理地設計網絡結構的問題,提出了一個新穎的基于低維參數空間估計的神經網

3、絡結構設計的方法.該方法以流形學習為基礎,結合samm饑系數有效估計出低維參數空間大小,并將此對應到神經網絡結構分組設計的隱節(jié)點分組數目上,從而設計出具有一定泛化能力的網絡結構. 3)研究了主動學習的分類器樣本優(yōu)化選擇準則:針對模糊神經網絡分類器設計過程中所遇到的樣本采樣與標記過程耗時長、代價大的問題,提出了一個新穎的模糊神經網絡樣本主動選擇準則,以最小一最大邊界法以及確定樣本的不確定性閾值兩個新概念來定義樣本的選擇標準,確保選

4、擇其中信息量盡可能大的樣本進行標記,使得網絡設計過程中對未標記樣本的標記工作量和時間大為減少. 4)未標記樣本的模糊神經網絡分類器設計:針對已標記和未標記樣本的混合分類問題,提出了一種基于非刻度一多維度收縮的、新的排序一模糊神經網絡分類器模型.該模型首先利用非刻度一多維度收縮法對輸入的所有樣本進行了排序,然后獲得樣本間的相似性測度值,并利用該相似性測度值指導隨后的分類器超盒擴張與壓縮過程,從而使得該模型不僅提高了對未標記樣本進行