數(shù)據(jù)挖掘是大數(shù)據(jù)中重要的一部分,而分類是數(shù)據(jù)挖掘的核心技術(shù)之一。隨著近年來(lái)研究的進(jìn)行,有創(chuàng)新性的分類算法越來(lái)越多,而且這些算法正廣泛地應(yīng)用于大數(shù)據(jù)處理中。對(duì)于一些大數(shù)據(jù)處理任務(wù),往往有幾種甚至幾十種相關(guān)的分類算法可供研究者選擇,從這些算法中如何選擇出適合的算法,是數(shù)據(jù)挖掘領(lǐng)域中公認(rèn)的重要問(wèn)題。另外,分類算法運(yùn)行過(guò)程是否可靠、運(yùn)行是否有效率等問(wèn)題,也很難得到檢驗(yàn)�；谝陨显�,本文對(duì)特定數(shù)據(jù)環(huán)境下分類算法的選擇問(wèn)題進(jìn)行了研究,具體內(nèi)容如下:（1）介紹和分析了多準(zhǔn)則決策（MCDM）、模糊集、模糊多屬性決策（FMADM）的方法、聚合算子、分類算法以及分類算法的評(píng)價(jià)指標(biāo)等關(guān)鍵技術(shù),結(jié)合聚合算子對(duì)MCDM方法進(jìn)行了改進(jìn),使之適合模型評(píng)價(jià)的環(huán)境。并對(duì)K近鄰算法、神經(jīng)網(wǎng)絡(luò)算法、貝葉斯網(wǎng)絡(luò)算法、C4.5算法、CPAR算法等基本分類算法進(jìn)行了相應(yīng)的研究。（2）利用模糊集理論改進(jìn)了K近鄰算法,并通過(guò)算法評(píng)價(jià)模型對(duì)模糊K近鄰（FKNN）算法進(jìn)行評(píng)價(jià)。引入模糊集的基本概念,對(duì)K近鄰算法進(jìn)行改進(jìn),在傳統(tǒng)的K近鄰分類算法的基礎(chǔ)上,引入了模糊集理論,并結(jié)合了模糊C-means算法。利用隸屬度的計(jì)算代替歐氏距離的計(jì)算... 

【文章來(lái)源】：齊魯工業(yè)大學(xué)山東省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 引言
    1.2 研究的目的和意義
    1.3 目前國(guó)內(nèi)外研究現(xiàn)狀
    1.4 研究?jī)?nèi)容及主要工作
    1.5 論文結(jié)構(gòu)安排
    1.6 本文創(chuàng)新點(diǎn)
第2章 相關(guān)理論研究
    2.1 模糊多準(zhǔn)則決策的相關(guān)研究
        2.1.1 模糊理論
        2.1.2 多準(zhǔn)則決策
        2.1.3 多屬性決策
        2.1.4 模糊多屬性決策
    2.2 聚合算子的研究
    2.3 分類算法
    2.4 分類算法的評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第3章 模糊K近鄰算法的改進(jìn)與評(píng)價(jià)
    3.1 K近鄰算法概述
        3.1.1 傳統(tǒng)K近鄰算法
        3.1.2 模糊K近鄰算法
    3.2 改進(jìn)的模糊K近鄰算法
    3.3 基于模糊多準(zhǔn)則決策的算法評(píng)價(jià)方案
    3.4 實(shí)驗(yàn)結(jié)果與評(píng)價(jià)
    3.5 本章小結(jié)
第4章 基于Hadoop的分類算法并行化
    4.1 分布式計(jì)算框架Hadoop
        4.1.1 分布式文件系統(tǒng)
        4.1.2 分布式計(jì)算模型MapReduce
    4.2 改進(jìn)算法的并行化設(shè)計(jì)思想
    4.3 實(shí)驗(yàn)與結(jié)果
        4.3.1 實(shí)驗(yàn)平臺(tái)搭建
        4.3.2 其他分類算法選擇與實(shí)驗(yàn)數(shù)據(jù)
        4.3.3 實(shí)驗(yàn)結(jié)果及其處理
    4.4 本章小結(jié)
第5章 基于模糊多準(zhǔn)則決策方法的大數(shù)據(jù)分類算法評(píng)價(jià)
    5.1 大數(shù)據(jù)分類算法評(píng)價(jià)方案
    5.2 基于層次分析法的分類算法評(píng)價(jià)
    5.3 基于TOPSIS法的分類算法評(píng)價(jià)
    5.4 基于MSM算子的分類算法評(píng)價(jià)
        5.4.1 MSM算子的研究
        5.4.2 基于MSM算子的多屬性決策方法
    5.5 二次評(píng)價(jià)結(jié)果
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 有待進(jìn)一步解決的問(wèn)題
參考文獻(xiàn)
致謝
在學(xué)期間主要科研成果
    一、發(fā)表學(xué)術(shù)論文
    二、其他科研成果
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于MapReduce的GA-BP神經(jīng)網(wǎng)絡(luò)算法并行化設(shè)計(jì)及實(shí)現(xiàn)[J]. 楊婉婧,邢洪嘉,曹建芳.  軟件導(dǎo)刊. 2017(07)
[2](語(yǔ)言)Heronian平均算子及其決策應(yīng)用[J]. 劉衛(wèi)鋒,常娟,杜迎雪.  中國(guó)管理科學(xué). 2017(04)
[3]基于Hadoop的高可靠分布式計(jì)算平臺(tái)的構(gòu)建[J]. 李曉東,葉思水.  北京電子科技學(xué)院學(xué)報(bào). 2014(02)
[4]基于Hadoop的C4.5決策樹分類算法并行化[J]. 林樹地,吳揚(yáng)揚(yáng).  微型機(jī)與應(yīng)用. 2013(12)
[5]基于改進(jìn)K-means聚類的kNN故障檢測(cè)研究[J]. 陳海彬,郭金玉,謝彥紅.  沈陽(yáng)化工大學(xué)學(xué)報(bào). 2013(01)
[6]模糊Bonferroni平均算子及在多準(zhǔn)則群決策中的應(yīng)用[J]. 劉金培,林盛,陳華友.  系統(tǒng)工程與電子技術(shù). 2012(01)
[7]模糊多準(zhǔn)則決策方法研究綜述[J]. 王堅(jiān)強(qiáng).  控制與決策. 2008(06)
[8]快速發(fā)現(xiàn)關(guān)聯(lián)規(guī)則挖掘算法的并行化方法[J]. 陸楠,陸春一,周春光.  深圳大學(xué)學(xué)報(bào). 2005(04)
[9]基于支持向量機(jī)的圖像語(yǔ)義分類(英文)[J]. 萬(wàn)華林,Morshed U.Chowdhury.  軟件學(xué)報(bào). 2003(11)

博士論文
[1]基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評(píng)估與應(yīng)用[D]. 鄔文帥.電子科技大學(xué) 2015

碩士論文
[1]基于C-MCMC和MapReduce的并行貝葉斯網(wǎng)絡(luò)分類器研究[D]. 李文華.太原理工大學(xué) 2017



本文編號(hào)：3209324