多目標粒度支持向量機及其應用研究.pdf

1、如何提高學習機的推廣能力、訓練復雜性和可理解性是機器學習領域的研究熱點和重點。粒計算或粒度模型將復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,降低其復雜性,如訓練復雜性。相反,對于微觀的簡單問題,通過逐步綜合的方法將相關的簡單問題合并,從宏觀上研究問題以降低處理多個簡單問題帶來的復雜性。對于用戶而言,分類錯誤率和訓練復雜性是衡量分類算法的相互沖突的指標,構造分類錯誤率低且訓練復雜性低的分類算法是多目標優(yōu)化問題。近

2、年來,多目標優(yōu)化已融入了機器學習領域,并且可以構造給定訓練集上的一簇多個目標折衷的學習方法,供決策者根據(jù)需求選取合適的學習機。對于支持向量機而言,不同的訓練樣本對于訓練過程的貢獻度不同,容易錯分的樣本對構造分類超平面的貢獻度較大,而不容易錯分的樣本對構造分類超平面的貢獻度較小。根據(jù)樣本的貢獻度構造訓練集的粒度模型,選取對分類超平面貢獻度較大的樣本構造支持向量機是降低訓練復雜性常用方法之一。
　　 本文融合粒計算、多目標優(yōu)化和支持

3、向量機,研究了基于模糊格的粒計算、多目標粒計算和粒度支持向量機三種算法。論文的創(chuàng)新性工作如下:
　　 利用格和對偶格之間的同構映射消除向量集和粒集上兩種偏序關系的不一致性,根據(jù)同構映射和正評價函數(shù)構造粒之間的模糊包含度和合并后的粒度對粒進行有條件的合并,構造了基于模糊格的粒計算分類算法,并從代數(shù)系統(tǒng)的角度證明構造的粒計算的可行性。數(shù)值實驗結果證明了與支持向量機相比基于模糊格的粒計算不但加速了訓練過程而且具有較高的推廣能力。

4、>　　 針對粒計算產生的冗余粒,根據(jù)粒的數(shù)量和分類錯誤率兩個指標的重要性不同,在Pareto支配關系的基礎上,定義了基于重要度的Pareto支配關系(IPareto,Importance-basedParetoDominance)比較個體的優(yōu)劣,建立了粒的數(shù)量與分類錯誤率的多目標粒計算模型,設計了相應的演化算法。該演化算法用粒的兩層結構表示個體,設計了個體之間的交叉算子、單一個體上的合并算子和變異算子,用先驗信息指導算法收斂到IPar

5、eto前沿。實驗結果表明與傳統(tǒng)的粒計算相比多目標粒計算得到更多的分類機制,即多目標粒計算得到一簇分類器供用戶選擇,每個分類器都是分類錯誤率對應的最小規(guī)模的分類粒集。
　　 針對大量非支持向量導致了支持向量機較高的訓練復雜性,通過支持向量的分布特征估計了其分布,建立訓練集的粒度模型,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造粒度支持向量機。該類粒度支持向量機根據(jù)樣本對訓練的不同貢獻度,選取貢獻度較大的樣本構造粒度模糊支

6、持向量機;定義訓練集上的等價關系,利用屬性值的離散化構造訓練集的粒度模型,選取包含不同類樣本的粗糙集邊界構造粒度模糊支持向量機；利用屬性的重要性對屬性集精簡或?；?構造粒度模糊支持向量機。實驗結果表明該類學習機降低了訓練復雜性,提高了推廣能力。
　　 將提出的超盒粒計算分類算法用于無線傳感器網(wǎng)絡的節(jié)點定位問題。首先,利用已知節(jié)點與錨節(jié)點之間的通信量構造訓練集；其次,對定位區(qū)域進行網(wǎng)格化,將訓練集轉化為分類問題的訓練集；訓練分類算