学位论文 > 优秀研究生学位论文题录展示

基于模糊核聚类和模糊支持向量机的多标签分类方法研究

作　者: 郑文博
导　师: 杨燕
学　校: 西南交通大学
专　业: 信号与信息处理
关键词: 数据挖掘模式识别多标签分类支持向量机模糊核聚类
分类号: TP311.13
类　型: 硕士论文
年　份: 2011年
下　载: 88次
引　用: 1次
阅　读: 论文下载

内容摘要

自上世纪后期人们进入信息时代,各种数据就海量积累起来,远远超出了人力的处理范围,出现了“信息爆炸而知识匮乏”的现象。为此,数据挖掘技术应运而生,并显示出了强大的生命力。分类是数据挖掘中最常见的任务之一。它是通过已知的信息总结出规律,用来对新的数据进行判别,对其进行预测的过程。其中比较特殊的一种情况是一个样本具有多个标签的分类问题,称为单实例多标签分类问题。不同于常见的单标签分类情况,在这类问题中,数据具有多个标签使得样本的归属变得模糊不清,难以准确分类,具有相当的难度。然而在日常生活中其用途十分广泛,很多学者都致力于此,出现了很多优秀的算法及其改进。本文针对该问题设计了一种基于模糊支持向量机的多标签分类算法。支持向量机(Support Vector Machine, SVM)是一种新兴的分类机器,于上世纪九十年代末期由AT&T Bell实验室的Vapnik等人提出。该分类器基于统计学习理论和结构风险最小化原理,集成了最优分类超平面、核函数、凸二次规划等技术,能有效地解决“过学习”、“维数灾难”和局部极小点等问题,具有良好的推广性和准确率。但是支持向量机是针对两类单标签的数据集进行设计的,不能直接应用在多类别、多标签的问题中。为此本文设计了一种模糊支持向量机,能够对含有两类数据、样本可能具有两个标签的数据集进行分类。该分类器采用了模糊设计思想,通过对样本设置一个隶属度函数,充分利用了数据信息。该分类器不存在不可分区域,具有良好的分类精度。为了准确描述样本对类别的隶属关系,本文设计了一种基于距离和密度的隶属度函数。考虑到多标签分类的特殊性,本文采用了一对一分解策略,将原始数据分解为多个两类双标签子集分别训练,然后将其结果使用投票法进行组合,最终完成多标签分类。为了提高训练速度,降低训练集中噪音点对最优决策超平面的影响,本文引进了一种快速模糊核聚类技术,有效地提高了算法的性能。在实验部分,本文首先总结了一些被广泛采用的多标签分类算法的评价标准,然后在UCI提供的数据集上进行实验,最后将结果与现有的一些多标签分类算法进行了比较。

全文目录

摘要  6-7
Abstract  7-11
第1章绪论  11-15
  1.1 本文的研究背景和研究意义  11-12
  1.2 多标签分类的国内外研究现状  12-14
  1.3 本文主要内容和结构安排  14-15
第2章支持向量机基础  15-27
  2.1 统计学习理论概述  15-18
    2.1.1 分类问题的统计学提法  15
    2.1.2 经验风险最小化原则  15-16
    2.1.3 VC维理论  16
    2.1.4 推广性的界  16-17
    2.1.5 结构风险最小化原则  17-18
  2.2 支持向量机原理  18-22
    2.2.1 最优超平面  18-19
    2.2.2 线性支持向量分类机  19-21
    2.2.3 非线性情况及核函数  21-22
  2.3 基于支持向量机的多类分类方法  22-26
    2.3.1 多类目标分类的直接方法  23
    2.3.2 多类目标分类的间接方法  23-26
  2.4 本章小结  26-27
第3章基于模糊支持向量机的多标签分类算法  27-41
  3.1 模糊数学基本概念  27
  3.2 常见的模糊隶属度函数  27-29
    3.2.1 基于线性距离的隶属度函数  28
    3.2.2 S型隶属度函数  28
    3.2.3 π型隶属度函数  28-29
  3.3 改进的两类三标签模糊支持向量机  29-39
    3.3.1 模糊支持向量机介绍  29-30
    3.3.2 快速模糊核聚类算法  30-33
    3.3.3 改进的两类三标签模糊支持向量机  33-36
    3.3.4 基于距离和样本密度的隶属度设计  36-39
  3.4 基于半模糊核聚类和模糊支持向量机的多标签分类设计  39-40
  3.5 本章小结  40-41
第4章分类实验结果和分析  41-53
  4.1 实验数据概述  41-42
  4.2 实验算法和评价准则  42-44
    4.2.1 实验算法简介  42
    4.2.2 多标签算法的性能评价准则  42-44
  4.3 多标签分类性能实验  44-52
    4.3.1 阈值选取有效性实验  44
    4.3.2 多项式核上的实验  44-46
    4.3.3 RBF核上的实验  46-50
    4.3.4 聚类有效性实验  50-51
    4.3.5 单标签样本集上的实验  51-52
  4.4 本章小结  52-53
结论与展望  53-55
致谢  55-56
参考文献  56-60
攻读硕士学位期间发表的论文  60

基于模糊核聚类和模糊支持向量机的多标签分类方法研究

内容摘要

全文目录

相似论文