目前機器學習作為數(shù)據(jù)挖掘中一種重要的工具,其不只是對人的認知學習過程的探索,還包括對數(shù)據(jù)的分析處理。面對大量數(shù)據(jù)的挑戰(zhàn),目前一部分研究專注于機器學習算法的改進和開拓,另一部分研究人員則致力于樣本數(shù)據(jù)的選擇和數(shù)據(jù)集的縮減,這兩方面研究工作是并行的。訓練樣本數(shù)據(jù)選擇是機器學習的一個研究熱點,通過對樣本數(shù)據(jù)的有效選擇,提取更具有信息量的樣本,剔除冗余樣本和噪聲數(shù)據(jù),從而提高訓練樣本質(zhì)量,進而獲得更好的學習性能。本文以分類器訓練樣本為研究對象,對分類器訓練樣本選擇方法進行研究。（1）作者就目前存在的樣本數(shù)據(jù)選擇方法進行綜述研究,對目前存在的方法從基于抽樣的方法、基于聚類的方法、基于近鄰分類規(guī)則的方法這三大類以及其他相關數(shù)據(jù)選擇方法四個方面進行總結(jié)和分析對比,并對訓練樣本數(shù)據(jù)選擇方法存在的問題和未來研究方向提出一些結(jié)論和展望。（2）為了提高神經(jīng)網(wǎng)絡分類器的性能,本文提出一種新的訓練樣本數(shù)據(jù)選擇方法——基于K均值聚類的分段樣本數(shù)據(jù)選擇方法,利用該方法結(jié)合人工數(shù)據(jù)集和UCI標準數(shù)據(jù)集分別對BP、LVQ、ENN（Extension neural network）這三種常用的分類器進行實驗研究,并驗證了... 

【文章來源】：華北水利水電大學河南省

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【部分圖文】：

Fisher線性判別原理示意圖

3人工神經(jīng)網(wǎng)絡173人工神經(jīng)網(wǎng)絡3.1人工神經(jīng)網(wǎng)絡基本理論神經(jīng)網(wǎng)絡是分類技術的重要工具之一，近年來大量學者研究表明神經(jīng)網(wǎng)絡在未來有希望代替?zhèn)鹘y(tǒng)的基于統(tǒng)計學的分類技術。人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetwork,ANN）是由大量簡單的小單元組成的一種復雜的網(wǎng)絡系統(tǒng)。其工作原理和組成結(jié)構是對大腦神經(jīng)元網(wǎng)絡功能的模擬，能夠反映我們?nèi)四X的一些活動特征，人腦是復雜的，人工神經(jīng)網(wǎng)絡只是對其簡單的抽象化和模仿，尚不能反映人腦全部的活動特征。近年來依照生物神經(jīng)元網(wǎng)絡進行模擬發(fā)展出了多種類型的人工神經(jīng)網(wǎng)絡，在大數(shù)據(jù)與人工智能發(fā)展火熱的今天有著十分廣泛的應用。3.1.1人工神經(jīng)元人工神經(jīng)元模型是由生物神經(jīng)元抽象提煉出來的。神經(jīng)元由軸突、樹突、細胞體和突觸構成，人腦由無數(shù)神經(jīng)元互相連接構成的神經(jīng)元網(wǎng)絡來進行信息處理。其結(jié)構如下圖3-1所示。圖3-1生物神經(jīng)元結(jié)構圖Figure3-1Biologicalneuronstructure由神經(jīng)元組成結(jié)構來看，神經(jīng)元之間通過感知環(huán)境變化，進而產(chǎn)生連續(xù)的變化，并在其之間進行信息傳遞。ANN是由人工神經(jīng)元這一基本單位組成的，是一種對生物神經(jīng)元從數(shù)學角度出發(fā)的模擬，各神經(jīng)元之間是獨立的單元，可以對信息進行自學習和處理，同時各神經(jīng)元又相互具有聯(lián)系，根據(jù)各神經(jīng)元反饋的信息進行結(jié)構的調(diào)整，具有自學習能力，人工神經(jīng)網(wǎng)絡結(jié)構模型如圖3-2所示。

改進的可拓距離Fig.3-11Theimprovedextensiondistance(ED)

【參考文獻】：
期刊論文
[1]基于集對分析和GA-BP神經(jīng)網(wǎng)絡的地下水埋深預測研究[J]. 陳笑,胡宏祥,戚王月,周婷,夏萍.  華北水利水電大學學報(自然科學版). 2019(04)
[2]基于LVQ神經(jīng)網(wǎng)絡的高壓斷路器機械故障診斷方法[J]. 馬宏忠,徐艷,魏海增,劉勇業(yè).  高壓電器. 2019(08)
[3]一種新的樣本選擇算法及其在文本分類中的應用[J]. 萬中英,王明文,左家莉,劉長紅.  江西師范大學學報(自然科學版). 2019(01)
[4]基于模糊集對分析的京津冀水資源可持續(xù)利用評價[J]. 門寶輝,劉煥龍.  華北水利水電大學學報(自然科學版). 2018(04)
[5]基于余弦相似度的邊界樣本選擇方法[J]. 李春利,柳振東,惠康華.  計算機與現(xiàn)代化. 2017(08)
[6]Multi Boost with ENN-based ensemble fault diagnosis method and its application in complicated chemical process[J]. 夏崇坤,蘇成利,曹江濤,李平.  Journal of Central South University. 2016(05)
[7]一種基于鄰域樣本密度的SVDD樣本剪輯方法及其應用[J]. 張安安,鄭萍,方琳,彭嵩松.  江西科學. 2014(06)
[8]融合互近鄰和可信度的K-近鄰分類算法[J]. 石鑫鑫,胡學鋼,林耀進.  合肥工業(yè)大學學報(自然科學版). 2014(09)
[9]一種基于混合誤差梯度下降算法的過程神經(jīng)網(wǎng)絡訓練[J]. 許少華,宋美玲,許辰,朱新寧.  東北石油大學學報. 2014(04)
[10]考慮局部均值和類全局信息的快速近鄰原型選擇算法[J]. 李娟,王宇平.  自動化學報. 2014(06)

碩士論文
[1]基于樣本選擇的復雜分類問題研究[D]. 于光華.天津大學 2017



本文編號：3392741