隨著科學技術的進步,物流行業(yè)隨之快速發(fā)展。物流企業(yè)為了更好地搶占市場,充分運用當代先進技術,如數據挖掘、云計算、物聯(lián)網等。這些技術為物流企業(yè)帶來經濟利益的同時,也加快了國內物流發(fā)展。物流業(yè)快速發(fā)展的同時,也產生了大量物流相關數據,而如何高效地處理這些數據成為現今物流業(yè)需要大力解決的問題。本文主要對海量的物流數據處理進行了研究,對支持向量機（Support Vector Machine,SVM）分類算法進行了改進,使其適用于物流數據的處理,提高物流業(yè)相關數據的處理速度,降低數據冗余,挖掘物流數據中的潛在價值,為物流企業(yè)提供決策支持,改善了傳統(tǒng)物流數據處理效率低下的問題。本文的主要創(chuàng)新點可以概括為以下兩點。（1）針對物流數據分類處理時數據收斂速度慢的問題,本文對隨機梯度下降算法進行研究。鑒于隨機梯度下降算法在梯度下降尋找全局最優(yōu)解過程中出現的之字形下降的問題,提出一種基于雙樣本的隨機梯度下降算法（Double Sample Stochastic Gradient Descent,DSSGD）。該算法利用當前時刻數據樣本梯度和前一時刻的數據樣本梯度的合向量作為梯度下降方向,可優(yōu)化數據收斂方向... 

【文章來源】：南京郵電大學江蘇省

【文章頁數】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
專用術語注釋表
第一章 緒論
    1.1 研究背景與意義
    1.2 相關知識介紹
        1.2.1 增量學習
        1.2.2 數據分類
    1.3 物流應用前景
        1.3.1 國內外物流發(fā)展現狀
        1.3.2 現代物流及相關技術
        1.3.3 我國物流發(fā)展前景
        1.3.4 物流數據處理現狀
    1.4 論文的主要研究內容
    1.5 論文的主要章節(jié)安排
第二章 基于雙樣本的一種隨機梯度下降改進算法
    2.1 相關工作
    2.2 預備知識
        2.2.1 梯度下降算法
        2.2.2 隨機梯度下降算法
    2.3 改進算法描述
    2.4 算法實驗結果及分析
    2.5 本章小結
第三章 基于遺忘因子的SVMSGD分類算法
    3.1 相關工作
    3.2 預備知識
        3.2.1 基于隨機梯度下降的SVM分類算法
        3.2.2 遺忘因子概述
        3.2.3 改進算法描述
    3.3 算法實驗結果及分析
    3.4 本章小結
第四章 總結與展望
    4.1 論文工作總結
    4.2 論文工作展望
參考文獻
附錄1 攻讀碩士學位期間撰寫的論文
附錄2 攻讀碩士學位期間參加的科研項目
致謝


【參考文獻】：
期刊論文
[1]網絡大數據下的冗余數據分類優(yōu)化算法研究[J]. 歐陽柏成.  微電子學與計算機. 2015(01)
[2]基于K最近鄰分類的無線傳感器網絡定位算法[J]. 石欣,印愛民,張琦.  儀器儀表學報. 2014(10)
[3]基于Bagging的概率神經網絡集成分類算法[J]. 蔣蕓,陳娜,明利特,周澤尋,謝國城,陳珊.  計算機科學. 2013(05)
[4]基于貝葉斯算法和費舍爾算法的垃圾郵件過濾系統(tǒng)設計與實現[J]. 范仕倫,薛天俊,夏瑋.  信息網絡安全. 2012(09)
[5]基于樸素貝葉斯算法的改進遺傳算法分類研究[J]. 張增偉,吳萍.  計算機工程與設計. 2012(02)
[6]一種SVM增量學習算法α-ISVM[J]. 蕭嶸,王繼成,孫正興,張福炎.  軟件學報. 2001(12)

博士論文
[1]模式分類的K-近鄰方法[D]. 茍建平.電子科技大學 2013
[2]BP神經網絡分類器優(yōu)化技術研究[D]. 高鵬毅.華中科技大學 2012



本文編號：3156715