模糊扩张矩阵中的参数优化研究

论文摘要

目前,扩张矩阵学习已成为归纳学习的一个重要的分支。而模糊扩张矩阵是在扩张矩阵基础上引入了模糊思想,使之能处理与人的思维和感觉有关的不确定性数据,因而得到了广泛的应用。在模糊扩张矩阵的规则抽取过程中,由于生成的规则所覆盖的示例之间有一定的重叠,则引入参数α、β、γ,使之能在一定程度上减少这种重叠,从而减少生成规则的不确定性,提高分类结果的准确性。那么,如何选取这三个重要参数是本文研究的中心问题。本文首先讨论了扩张矩阵理论及其模糊扩张矩阵理论,对决策树与扩张矩阵、清晰扩张矩阵与模糊扩张矩阵进行了比较,并提出了用遗传算法进行模糊扩张矩阵参数优化的思想。进一步分析了参数对模糊扩张矩阵的分类结果在训练准确率、测试准确率、规则数等方面所表现出的敏感性,详细论述了用遗传算法进行参数优化的实施方案。最后在C++ Builder 软件开发平台及Matlab 的基础上,通过实验对这种方法进行了验证。实验结果证明,利用遗传算法得到的参数较优,可以使模糊扩张矩阵的分类结果达到较好。所以,利用遗传算法获得优化参数是人们在用模糊扩张矩阵以获得最优分类结果的一个良好方法。

论文目录

• 第1章 绪论
• 1.1 背景知识
• 1.2 模糊扩张矩阵参数优化及其研究现状
• 1.3 本文主要研究内容
• 第2章 扩张矩阵及模糊扩张矩阵
• 2.1 扩张矩阵的基本概念
• 2.2 决策树与扩张矩阵的比较
• 2.3 模糊理论
• 2.4 模糊扩张矩阵
• 2.5 清晰扩张矩阵与模糊扩张矩阵的区分
• 2.6 数据模糊化
• 第3章 模糊扩张矩阵的生成和参数优化
• 3.1 模糊规则产生算法的描述和执行
• 3.1.1 模糊扩张矩阵启发式算法的描述
• 3.1.2 模糊规则产生的执行过程
• 3.2 优化参数的定义
• 3.3 用遗传算法优化参数
• 3.3.1 遗传算法
• 3.3.2 遗传算法在模糊扩张矩阵归纳学习中的执行过程
• 第4章 模糊扩张矩阵参数优化的实验结果与分析
• 4.1 实例验证
• 4.1.1 举例说明参数α、β、γ的敏感性
• 4.1.2 实验数据库
• 4.2 实验结果分析
• 4.2.1 实验结果
• 4.2.2 结果分析
• 4.3 聚类中心个数同参数之间的关系
• 第5章 总结与展望
• 5.1 总结
• 5.2 进一步的研究
• 参考文献
• 攻读硕士学位期间撰写的论文
• 致谢