最近幾年,機器學習方法隨著人工智能的火熱得到了迅猛發(fā)展,在醫(yī)療、交通、金融等領(lǐng)域得到了廣泛的應(yīng)用。但是,隨著應(yīng)用場景的不斷擴大,數(shù)據(jù)的規(guī)模和形式也變得復(fù)雜,多樣化的數(shù)據(jù)場景,例如大模糊數(shù)據(jù)場景和多視角數(shù)據(jù)場景等給傳統(tǒng)的機器學習方法帶來了巨大的挑戰(zhàn)。在無監(jiān)督學習和有監(jiān)督學習中,傳統(tǒng)的聚類分析和TSK模糊系統(tǒng)在面對這些復(fù)雜的數(shù)據(jù)場景時,所遇到的挑戰(zhàn)包括以下幾個方面:1)在大規(guī)模數(shù)據(jù)場景下,基于代表點的聚類方法和TSK模糊系統(tǒng)在可容忍的時間內(nèi)無法獲取有效的模式識別信息;2)面對維數(shù)較高的數(shù)據(jù)時,TSK模糊系統(tǒng)會出現(xiàn)“規(guī)則爆炸”問題,同時模糊系統(tǒng)的可解釋性顯著降低;3)面對多視角數(shù)據(jù)時,雖然通過傳統(tǒng)的聚類方法可以獲取各個視角的模式識別信息并通過集成機制可以獲得全局結(jié)果,但是,單獨在每個視角進行聚類,忽略了視角之間可能存在的關(guān)系,使得最終獲取的模式識別信息無法達到應(yīng)用需求。針對上述問題,本論文將從無監(jiān)督學習和有監(jiān)督學習2個方面,探討他們在不同數(shù)據(jù)場景下的建模問題,主要研究成果如下:（1）提出了一種基于代表點評分策略的快速自適應(yīng)聚類算法ESFSAC。該算法利用FRSDE將原始數(shù)據(jù)集進行壓縮,獲得能... 

【文章來源】：江南大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：132 頁

【學位級別】：博士

【部分圖文】：

病變視網(wǎng)膜圖像血管分割結(jié)果

Fig.1-4 The procedure of unsupervised learning圖 1-4 有監(jiān)督學習預(yù)測過程，對于大部分有監(jiān)督學習方法，如支持向量機，神經(jīng)網(wǎng)絡(luò)等，它們學習后圖 1-4 中的 Final Model)對于用戶來說是個“黑盒子”，對用戶來說具有不透明具有很好回歸性能或分類精度，卻不具備可解釋性。在有監(jiān)督學習模式中方法，即模糊系統(tǒng)(Fuzzy System)[4]，它們不僅具備強大的學習能力，還具性。系統(tǒng)是在模糊集和模糊推理的基礎(chǔ)之上發(fā)展起來的一種有監(jiān)督學習方法，世界中的自然語言轉(zhuǎn)化成與人們推理機制相吻合的模糊規(guī)則，因此，其應(yīng)人文、社會等領(lǐng)域。模糊系統(tǒng)一般由四個功能模塊組成，分別是模糊化機庫、模糊推理引擎以及去模糊化機構(gòu)，其基本的結(jié)構(gòu)如圖 1-5 所示。模糊化機構(gòu) 模糊推理引擎 去模糊化機構(gòu)模糊規(guī)則庫

章 基于代表點評分策略的大規(guī)模數(shù)據(jù)無監(jiān)督過程中所形成的簇結(jié)構(gòu)。樣本的 ES 值以及在剩余集樣本標定過算法的效率有著非常大的幫助，接下來速效果。按照圖 2-4 中的概率分布圖[10]，樣本的規(guī)模分別為 1500，3000，80000 以及 340000。對于 DS5.1-DS5.4，直接.5-DS5.10，利用 FRSDE 對原始數(shù)據(jù)集證既定的目標，分別統(tǒng)計 EES、RSC 和

【參考文獻】：
期刊論文
[1]K近鄰優(yōu)化的密度峰值快速搜索聚類算法[J]. 謝娟英,高紅超,謝維信.  中國科學:信息科學. 2016(02)
[2]基于劃分自適應(yīng)融合的多視角模糊聚類算法[J]. 鄧趙紅,張丹丹,蔣亦樟,劉解放,王士同.  控制與決策. 2016(04)
[3]熵加權(quán)多視角協(xié)同劃分模糊聚類算法[J]. 蔣亦樟,鄧趙紅,王駿,錢鵬江,王士同.  軟件學報. 2014(10)
[4]最小學習機[J]. 王士同,鐘富禮.  江南大學學報(自然科學版). 2010(05)

博士論文
[1]慢性病信息管理系統(tǒng)中視網(wǎng)膜圖像的互操作性及其血管網(wǎng)絡(luò)定量分析研究[D]. 吳輝群.復(fù)旦大學 2014



本文編號：3604690