基于粗集理论的机器学习

论文摘要

机器学习是人工智能的一个重要研究领域。机器学习就是使机器获取知识的唯一途径。简单地说机器学习就是研究如何使用机器来模拟人类学习活动的一门学科。机器学习的基本目标是使计算机具有学习的能力,模拟或实现人类的学习活动,它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法。机器学习在许多领域中都有成功的运用,但是随着发展的深入和要求的提高,有关知识获取以及如何处理知识的模糊性或不确定性等问题逐渐显示出来。目前机器学习的水平远远不能满足实际的需求。其根本原因在于系统的知识表示和处理的理论方法上没有取得突破。如何获得不准确或不确切的知识和关系,并在此基础上做出正确的结论就成为机器学习所需要解决的一个问题。粗集理论作为人工智能中的一个新学术热点,能有效地处理不完整、不确定知识的表达和推理,其有效性已在许多领域的应用中得到证实。粗集理论无需任何先验信息,能有效地分析和处理不精确、不一致、不完整等不完备性数据,通过发现数据间隐藏的关系,揭示潜在的规律,从而提取有用信息,简化信息的处理。粗集理论还提供了一套从数据中自动获取知识的工具,即知识约简。因此将粗集理论的知识获取方法和知识的约简引入到机器学习具有广泛的前景。属性约简和属性值约简是基于粗集理论进行有导师学习的基础。本文在分析经典约简算法的基础上,根据粗集理论中属性的依赖度和重要度等性质,提出了一种改进的约简方法,以获取简洁的决策规则,从而提高了有导师学习的效率。接着讨论了粗集理论在机器学习中涉及几个重要问题的概念和研究方法。针对机器学习中数据库的动态变化有两种情况(1)增加实例;(2)实例不变,增加条件属性。本文首先提出了一种基于粗集理论的增量式属性约简算法,由该算法得到的属性约简与传统算法得到的属性约简结果相同,但该算法不仅降低了时间复杂度而且其分类质量一般要优于原来的分类质量。然后深入分析了基于分辨矩阵和传统决策矩阵的归纳学习算法中存在的问题,提出了一种新的决策矩阵及基于它的归纳学习和动态数据环境下的递增式学习方法。其主要思想是基于决策类将决策系统分割为多个子系统,并构造其新的决策矩阵,然后将决策系统上的归纳学习转化为新决策矩阵下的递增式学习。这不仅解决了动态数据环境下的归纳学习问题,而且能降低矩阵空间规模,避免了传统决策算法中的重复计算。实例分析和实验结果验证了基于分治策略算法的合理性和有效性。因此,这两种方法可适应机器学习中数据库的动态变化,满足了动态机器学习的要求。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题概述
• 1.1.1 课题背景
• 1.1.2 机器学习的发展及国内外研究现状
• 1.1.3 粗集理论现状、发展及其应用概况
• 1.2 论文结构
• 第二章 粗集理论
• 2.1 知识与分类
• 2.2 粗集的基本概念
• 2.2.1 知识库与不可分辨关系
• 2.2.2 粗集的下近似集和上近似集
• 2.2.3 近似与成员关系
• 2.2.4 知识约简
• 2.2.5 知识表达系统
• 2.2.6 决策表
• 2.2.7 区分矩阵与区分函数
• 2.3 粗集理论的特点
• 第三章 机器学习概述
• 3.1 机器学习的基本定义
• 3.2 机器学习的类型与特点
• 3.2.1 机器学习的类型
• 3.2.2 机器学习的一般特点
• 3.3 机器学习系统的基本原理与结构
• 3.4 机器学习发展的历史回顾与发展趋势
• 第四章 粗集理论在静态机器学习中的应用研究
• 4.1 知识约简在机器学习中的应用
• 4.2 一种改进的基于粗集理论的有导师学习方法
• 4.2.1 引言
• 4.2.2 传统的粗集属性约简算法
• 4.2.3 改进的粗集属性约简算法
• 4.2.3.1 改进算法的思想
• 4.2.3.2 改进后的约简算法
• 4.2.4 改进算法与原算法的比较
• 4.2.5 实例分析
• 4.2.6 小结
• 4.3 知识学习的学习质量
• 4.4 知识学习的充分性
• 4.5 导师知识的完备性
• 4.6 本章小结
• 第五章 粗集理论在动态机器学习中的应用研究
• 5.1 一种基于粗集理论的增量式属性约简算法
• 5.1.1 引言
• 5.1.2 相对区分矩阵、绝对区分矩阵和条件属性代价P
• 5.1.3 算法的基本思想与具体步骤
• 5.1.3.1 算法的基本思想
• 5.1.3.2 算法的具体步骤
• 5.1.4 算法验证与分析
• 5.1.5 小结
• 5.2 一种多类决策系统的递增式粗集归纳学习方法
• 5.2.1 引言
• 5.2.2 分辨矩阵
• 5.2.3 分割数据集和获取规则的方法
• 5.2.3.1 数据集分割方法
• 5.2.3.2 决策矩阵中规则获取方法
• 5.2.4 粗集归纳学习及其动态数据环境下的归纳学习
• 5.2.4.1 粗集归纳学习算法
• 5.2.4.2 递增式粗集归纳学习算法
• 5.2.4.3 应用实例
• 5.2.4.4 实验结果
• 5.2.5 小结
• 5.3 粗集理论在动态机器学习中的应用
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 后续研究工作的展望
• 致谢
• 参考文献
• 附录（攻读学位期间发表的论文目录）