面向多特征集成的?；７椒捌鋺?yīng)用研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,特別是近年來云計(jì)算、物聯(lián)網(wǎng)、社交網(wǎng)絡(luò)等新興服務(wù)的快速普及,人類社會(huì)產(chǎn)生的數(shù)據(jù)規(guī)模正以一種前所未有的速度增長(zhǎng).從大規(guī)模復(fù)雜數(shù)據(jù)中,以應(yīng)用需求為目標(biāo),挖掘有效的信息已經(jīng)成為現(xiàn)代科技發(fā)展的主要驅(qū)動(dòng)力.然而,現(xiàn)代數(shù)據(jù)具有描述的多樣性、來源的廣博性、結(jié)構(gòu)的復(fù)雜性、增長(zhǎng)的飛速性等典型特征,探尋如何從規(guī)模龐大且復(fù)雜異構(gòu)的數(shù)據(jù)中獲取蘊(yùn)含的深層信息和隱含知識(shí),相對(duì)于傳統(tǒng)的數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)任務(wù)而言,顯得任重而道遠(yuǎn)且極具挑戰(zhàn)性.<

2、br>　　目前很多大規(guī)模復(fù)雜數(shù)據(jù)處理方法中,分而治之是一種能被廣泛接受的策略,即先采用適當(dāng)?shù)某闃踊蚍謱蛹夹g(shù)對(duì)復(fù)雜數(shù)據(jù)進(jìn)行合理的“分割”,再建立高效的學(xué)習(xí)機(jī)制對(duì)各部分?jǐn)?shù)據(jù)進(jìn)行針對(duì)性地處理,該策略體現(xiàn)了人類面臨復(fù)雜問題時(shí)所擁有的多粒度認(rèn)知能力.但粒度世界的多樣性致使有關(guān)多粒度的研究面臨計(jì)算復(fù)雜度高、對(duì)指定目標(biāo)特性掌握不夠、缺乏足夠的融合思想與動(dòng)態(tài)學(xué)習(xí)能力等嚴(yán)峻挑戰(zhàn),鑒于此,本文將在復(fù)雜數(shù)據(jù)背景下,分別從標(biāo)記多特征空間的信息?；?、參數(shù)多特征空

3、間的分類器設(shè)計(jì)、多特征空間的融合學(xué)習(xí)方法等方面來探索高效的多粒度信息粒化技術(shù),并以此為基礎(chǔ)發(fā)展新的多粒度建模與知識(shí)獲取方法.具體而言,本文的研究?jī)?nèi)容和創(chuàng)新性成果主要在于:
　　(1)單標(biāo)記下的特征空間轉(zhuǎn)換策略與粗糙數(shù)據(jù)分析.有關(guān)粗糙集的研究大多建立在原始特征空間之上,并未考慮具有不同決策類別的樣本可能擁有自身特定的性質(zhì),而這些特性往往有助于產(chǎn)生更為精準(zhǔn)的規(guī)則.為此,本文針對(duì)決策系統(tǒng)中不同的決策類,提出了一種能夠反映各個(gè)決策類性質(zhì)的

4、多特征空間轉(zhuǎn)換策略,并給出了多特征空間下決策系統(tǒng)近似質(zhì)量和條件熵的定義方法,有效地降低了決策系統(tǒng)的不確定性程度,提升了分類性能.
　　(2)多標(biāo)記下的特征空間轉(zhuǎn)換策略與粗糙數(shù)據(jù)分析.考慮到不同標(biāo)記可能會(huì)帶有其自身的一些特性,故為多標(biāo)記學(xué)習(xí)構(gòu)建類屬特征空間顯得尤為重要.然而,類屬特征空間的構(gòu)建可能導(dǎo)致特征空間維度的增加,且含有大量冗余信息.為了緩解該不足,本文借助模糊粗糙近似約簡(jiǎn)的思想,提出了兩種基于類屬特征空間維度約簡(jiǎn)的多標(biāo)記學(xué)習(xí)

5、方法,即: FRS-LIFT和 FRS-SS-LIFT.其中, FRS-SS-LIFT在FRS-LIFT的基礎(chǔ)上,采用了樣本選擇策略,大幅降低了維度約簡(jiǎn)的時(shí)間消耗.相關(guān)實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法在提升多標(biāo)記學(xué)習(xí)系統(tǒng)預(yù)測(cè)性能的可行性和高效性.
　　(3)參數(shù)化特征空間下的協(xié)同分類方法.在鄰域粗糙集模型中,隨著信息粒尺寸的增長(zhǎng),基于多數(shù)投票原則的鄰域分類器容易對(duì)未知樣本的類別產(chǎn)生誤判.為了緩解該不足,本文借助協(xié)同表達(dá)的思想,提出了一種鄰域

6、協(xié)同分類器NCC.該算法在未知樣本的鄰域空間內(nèi),通過協(xié)同表達(dá)的方式找出與未知樣本具有最小重構(gòu)誤差的類別作為預(yù)測(cè)的類別標(biāo)記.相關(guān)實(shí)驗(yàn)結(jié)果在驗(yàn)證本文算法能夠提升較大尺寸信息粒下鄰域分類器分類性能的同時(shí),也表明該算法是一種降低傳統(tǒng)CRC算法時(shí)間消耗的有效手段.
　　(4)多特征空間融合策略下的蛋白質(zhì)結(jié)構(gòu)類型預(yù)測(cè)方法.本文針對(duì)生物信息學(xué)中蛋白質(zhì)二級(jí)結(jié)構(gòu)類型的預(yù)測(cè)問題,先從 PseAAC和 PsePSSM兩個(gè)視角抽取了蛋白質(zhì)序列的特征,并將