相關向量機（Relevance Vector Machine,RVM）是一種基于稀疏貝葉斯理論的機器學習算法。該算法十分擅長處理小規(guī)模數(shù)據(jù)問題,由于其優(yōu)秀的表現(xiàn),已經(jīng)應用于圖像處理、故障診斷等許多領域。然而,RVM對數(shù)據(jù)的處理能力還有一些不足,例如在訓練樣本規(guī)模較大的數(shù)據(jù)時,它會消耗過多的內(nèi)存和時間,引起學習效率下降;面對有噪聲的數(shù)據(jù)或者樣本不均衡的數(shù)據(jù)時,學習性能表現(xiàn)次優(yōu)。這些存在的不足,特別是數(shù)據(jù)規(guī)模問題使得RVM的發(fā)展受到了限制。針對這些問題,本課題首先利用混合采樣、噪聲檢測和AdaBoost方法提升了RVM在小規(guī)模數(shù)據(jù)集（不均衡、噪聲）上的分類精度;其次,結(jié)合分布式計算、集成學習和差異性度量對前一個研究成果進行拓展,提升了RVM在大規(guī)模數(shù)據(jù)集（均衡、不均衡）上的分類性能。本文的主要工作包括:（1）針對小規(guī)模數(shù)據(jù)集中不均衡樣本和噪聲樣本對RVM分類的影響,在數(shù)據(jù)預處理階段,采用了基于隨機欠采樣和自適應樣本合成采樣的混合采樣方法減弱了樣本間的不均衡性。隨后利用RVM概率型輸出特性,提出了一種用以識別噪聲的檢測方法。接著將該檢測方法引入AdaBoostRVM中,提出基于噪聲檢測的Ad... 

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 相關向量機研究現(xiàn)狀
        1.2.2 分布式平臺研究現(xiàn)狀
    1.3 研究內(nèi)容和組織結(jié)構(gòu)
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的組織結(jié)構(gòu)
第2章 基于噪聲檢測的AdaBoostRVM分類算法
    2.1 引言
    2.2 數(shù)據(jù)預處理
        2.2.1 隨機欠采樣
        2.2.2 ADASYN過采樣
        2.2.3 混合采樣
    2.3 基于RVM特性的噪聲檢測方法
        2.3.1 RVM特性
        2.3.2 NDRF方法
    2.4 基于噪聲檢測的AdaBoostRVM算法
    2.5 實驗
        2.5.1 實驗數(shù)據(jù)集與參數(shù)設置
        2.5.2 模型評價指標
        2.5.3 實驗結(jié)果與分析
    2.6 本章小結(jié)
第3章 基于差異性度量的分布式RVM集成算法
    3.1 引言
    3.2 分布式RVM集成算法設計
    3.3 基于差異性度量的RVM多分類器組合策略
    3.4 Spark平臺下DE-RVM算法的實現(xiàn)
        3.4.1 Spark計算模型
        3.4.2 MapReduce階段
        3.4.3 DE-RVM實現(xiàn)
    3.5 實驗
        3.5.1 實驗數(shù)據(jù)集與參數(shù)設置
        3.5.2 運行環(huán)境
        3.5.3 實驗結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于DE-RVM的橋梁裂縫損傷識別
    4.1 引言
    4.2 基于光纖光柵的橋梁結(jié)構(gòu)監(jiān)測系統(tǒng)
        4.2.1 光纖光柵傳感系統(tǒng)
        4.2.2 系統(tǒng)架構(gòu)及實現(xiàn)
    4.3 橋梁裂縫損傷識別應用
        4.3.1 數(shù)據(jù)描述
        4.3.2 實驗結(jié)果與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
在讀期間取得的學術成果
在讀期間參與的基金和項目


【參考文獻】：
期刊論文
[1]基于振動信號樣本熵和相關向量機的萬能式斷路器分合閘故障診斷[J]. 孫曙光,于晗,杜太行,王景芹,趙黎媛.  電工技術學報. 2017(07)
[2]經(jīng)驗模式分解與代價敏感支持向量機在癲癇腦電信號分類中的應用[J]. 李冬梅,張洋,楊日東,陳子怡,田翔華,董楠,爾西丁·買買提,周毅.  生物醫(yī)學工程研究. 2017(01)
[3]基于信息熵的RVM-AdaBoost組合分類器[J]. 翟夕陽,王曉丹,李睿,賈琪.  計算機工程與應用. 2018(05)
[4]基于開源生態(tài)系統(tǒng)的大數(shù)據(jù)平臺研究[J]. 雷軍,葉航軍,武澤勝,張鵬,謝龍,何炎祥.  計算機研究與發(fā)展. 2017(01)
[5]MapReduce大數(shù)據(jù)處理平臺與算法研究進展[J]. 宋杰,孫宗哲,毛克明,鮑玉斌,于戈.  軟件學報. 2017(03)
[6]基于支持向量機回歸組合模型的中長期降溫負荷預測[J]. 王寧,謝敏,鄧佳梁,劉明波,李嘉龍,王一,劉思捷.  電力系統(tǒng)保護與控制. 2016(03)
[7]貝葉斯機器學習前沿進展綜述[J]. 朱軍,胡文波.  計算機研究與發(fā)展. 2015(01)
[8]通用集成學習算法的構(gòu)造[J]. 付忠良.  計算機研究與發(fā)展. 2013(04)
[9]不平衡多分類問題的連續(xù)AdaBoost算法研究[J]. 付忠良.  計算機研究與發(fā)展. 2011(12)
[10]稀疏貝葉斯模型與相關向量機學習研究[J]. 楊國鵬,周欣,余旭初.  計算機科學. 2010(07)



本文編號：3668383