本文關(guān)鍵詞：基于粗糙集的知識發(fā)現(xiàn)方法及其在ECG信號識別中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：知識發(fā)現(xiàn)(Knowledge Discovery,KDD)是20世紀(jì)90年代初期發(fā)展起來的一個活躍的研究領(lǐng)域。近年來,隨著知識量的劇增,它已成為目前人工智能和數(shù)據(jù)挖掘(Data Mining,DM)的研究熱點。知識發(fā)現(xiàn)就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中運用統(tǒng)計學(xué)、粗糙集、模糊數(shù)學(xué)、機器學(xué)習(xí)和專家系統(tǒng)等多種數(shù)學(xué)工具和方法提煉出抽象的、隱含在其中的、人們事先不知道的客觀世界的內(nèi)在本質(zhì)和聯(lián)系。粗糙集理論是分析和處理這類不精確、不完備、不一致數(shù)據(jù)的有效數(shù)學(xué)工具。本文主要研究了基于粗糙集理論的幾類知識發(fā)現(xiàn)方法及其約簡算法,并將所研究的算法應(yīng)用于心電信號的自動分析與診斷中。論文主要研究內(nèi)容如下:1.研究了粗糙集的基本理論與約簡算法。針對Pawlak經(jīng)典近似精度沒有考慮知識粒度對精度影響的不足,提出了近似精度定義的改進并討論了其性質(zhì),改進后的近似精度既能夠體現(xiàn)知識粒度的劃分細度情況又保持了原定義的基本思想。分析了一系列的經(jīng)典約簡理論,提出了基于依賴度約簡算法的改進,改進后的算法不論是在計算復(fù)雜性和時間復(fù)雜性方面都有較大程度提高;針對小樣本問題,提出了不協(xié)調(diào)信息系統(tǒng)的約簡方法,該方法避免了在處理一些實際應(yīng)用中由于樣本數(shù)據(jù)不充足而可能導(dǎo)致的有用信息丟失的問題,比如臨床醫(yī)療診斷數(shù)據(jù)和UCI機器學(xué)習(xí)數(shù)據(jù)。實驗表明該方法是有效的。2.研究了基于粗糙集的粒計算模型,討論了粒計算的一些重要性質(zhì)以及約簡算法。針對沒有約簡核的系統(tǒng),提出一個新的約簡算法,該算法既可以用于有約簡核的系統(tǒng)也可以用于沒有約簡核的系統(tǒng),并通過實驗證明了該算法的可行性。3.提出了基于屬性粒的認(rèn)知模型。研究了認(rèn)知過程的形成機理,分析了認(rèn)知信息粒的本質(zhì)并討論了它的一些性質(zhì)以及應(yīng)用。研究了基于認(rèn)知結(jié)構(gòu)的信息分類和信息約簡,提出了一個利用知識依賴度和屬性重要度相結(jié)合的約簡算法。4.以心電圖(ECG)自動分析作為應(yīng)用背景,提出了一個基于黃金分割與小波變換相結(jié)合的特征提取算法,將所提取的特征建立了信息系統(tǒng)。利用本文所提出的粗糙集的知識發(fā)現(xiàn)方法對信號進行了特征選擇和規(guī)則挖掘。
【關(guān)鍵詞】：數(shù)據(jù)挖掘 知識發(fā)現(xiàn) 屬性約簡 粒計算 認(rèn)知模型 心電圖
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP18;TN911.7
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 主要符號對照表11-12
• 第一章 緒論12-19
• 1.1 研究背景、目的及意義12-13
• 1.2 粗糙集理論的發(fā)展與現(xiàn)狀13-16
• 1.2.1 對經(jīng)典粗糙集模型的推廣13-14
• 1.2.2 粗糙集中不確定問題的理論研究14
• 1.2.3 屬性約簡算法研究14-15
• 1.2.4 粗糙集與其他不確定性理論相結(jié)合15-16
• 1.2.5 與人工智能領(lǐng)域的結(jié)合和應(yīng)用研究16
• 1.3 心電圖自動分析研究現(xiàn)狀16-17
• 1.4 本文的主要研究內(nèi)容與組織結(jié)構(gòu)17-19
• 第二章 粗糙集基本理論與約簡方法19-45
• 2.1 基本概念19-29
• 2.1.1 知識與分類19-21
• 2.1.2 知識表達系統(tǒng)與粗糙集的概念21-24
• 2.1.3 Pawlak近似精度與改進24-29
• 2.2 知識約簡29-30
• 2.3 決策信息系統(tǒng)的約簡算法30-37
• 2.3.1 基于正域的相對約簡31-33
• 2.3.2 基于知識依賴性的約簡33-36
• 2.3.3 基于依賴度的約簡算法改進36-37
• 2.4 知識表達系統(tǒng)的協(xié)調(diào)性及其約簡算法37-44
• 2.4.1 知識表達系統(tǒng)的協(xié)調(diào)性37-39
• 2.4.2 不協(xié)調(diào)決策信息系統(tǒng)的屬性約簡方法的改進39-44
• 2.5 本章小結(jié)44-45
• 第三章 基于粗糙集的粒計算模型與知識發(fā)現(xiàn)45-69
• 3.1 粒計算的基本概念45-47
• 3.1.1 粒計算的起源與發(fā)展45-46
• 3.1.2 粒度計算的基本構(gòu)成46-47
• 3.2 粒計算的主要理論模型47-49
• 3.2.1 基于模糊集合論的詞計算理論的粒計算模型47
• 3.2.2 基于商空間的粒計算模型47-48
• 3.2.3 基于粗糙集的粒計算模型48
• 3.2.4 基于概念格理論的粒計算模型48-49
• 3.3 基于知識粒度的屬性約簡49-59
• 3.3.1 經(jīng)典粗糙集上知識粒的表示49-52
• 3.3.2 基于知識粒度的屬性約簡52-56
• 3.3.3 無屬性核的信息系統(tǒng)的約簡算法56-59
• 3.4 一般二元關(guān)系上的粒計算擴展模型59-68
• 3.4.1 二元關(guān)系上的粗糙集59-64
• 3.4.2 一般二元關(guān)系下信息系統(tǒng)知識的描述64-65
• 3.4.3 一般二元關(guān)系下信息系統(tǒng)的知識粒度及應(yīng)用65-68
• 3.5 本章小結(jié)68-69
• 第四章 基于粒計算的認(rèn)知模型及其應(yīng)用69-85
• 4.1 基于概念格的認(rèn)知模型70-75
• 4.1.1 概念格的基本定義70-73
• 4.1.2 概念格上的粒計算認(rèn)知模型73-75
• 4.2 基于粗糙集的認(rèn)知模型75-83
• 4.2.1 認(rèn)知系統(tǒng)75-76
• 4.2.2 認(rèn)知系統(tǒng)的信息粒76-79
• 4.2.3 認(rèn)知信息粒在信息系統(tǒng)約簡中的應(yīng)用79-81
• 4.2.4 認(rèn)知決策與分類81-83
• 4.3 本章小結(jié)83-85
• 第五章 粗糙集在心電信號識別中的應(yīng)用85-103
• 5.1 心電圖基本常識與測量85-90
• 5.1.1 常規(guī)導(dǎo)聯(lián)系統(tǒng)86-87
• 5.1.2 心電圖的測量與各段的意義87-88
• 5.1.3 常用的標(biāo)準(zhǔn)ECG數(shù)據(jù)庫簡介88-90
• 5.2 心電信號自動分析技術(shù)90-94
• 5.2.1 信號預(yù)處理90-91
• 5.2.2 心電特征參數(shù)的定義91-92
• 5.2.3 波形檢測與特征提取92-93
• 5.2.4 特征選擇93
• 5.2.5 ECG信號分類93-94
• 5.3 粗糙集在ECG信號識別中的應(yīng)用94-102
• 5.3.1 信息系統(tǒng)的建立94-98
• 5.3.2 基于粗糙集的屬性約簡及規(guī)則提取98-99
• 5.3.3 基于SVM方法的實驗結(jié)果99-102
• 5.4 本章小結(jié)102-103
• 第六章 總結(jié)與展望103-105
• 6.1 全文總結(jié)103-104
• 6.2 需要進一步研究的問題104-105
• 致謝105-106
• 參考文獻106-119
• 攻讀博士學(xué)位期間取得的成果119-121

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 馮琴榮;苗奪謙;程f3;徐菲菲;;知識的劃分粒度表示法[J];模式識別與人工智能;2009年01期

  本文關(guān)鍵詞：基于粗糙集的知識發(fā)現(xiàn)方法及其在ECG信號識別中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號：298284