面向不確定性數(shù)據(jù)的若干分類算法研究.pdf

1、分類號：密級：UDC：學(xué)號：6120120544碩士學(xué)位論文年月日面向不確定性數(shù)據(jù)的若干分類算法研究面向不確定性數(shù)據(jù)的若干分類算法研究Researchonclassificationalgithmsfuncertaindata學(xué)位類別：理學(xué)碩士作者姓名：李文進(jìn)學(xué)科、專業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)指導(dǎo)教師：熊小峰教授研究方向：數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)江西理工大學(xué)碩士學(xué)位論文摘要I摘要數(shù)據(jù)的不確定性廣泛存在于互聯(lián)網(wǎng)、通信、經(jīng)濟(jì)、信息安全等領(lǐng)域中。在數(shù)據(jù)挖

2、掘領(lǐng)域，傳統(tǒng)的挖掘方法主要是針對精確數(shù)據(jù)提出的，其挖掘模型未考慮數(shù)據(jù)的不確定性信息，從而不能直接用于處理不確定性數(shù)據(jù)。數(shù)據(jù)的不確定性是待挖掘?qū)ο蟛豢珊鲆暤目陀^屬性，對挖掘結(jié)果的質(zhì)量有著重要的影響。針對不確定性數(shù)據(jù)的挖掘方法也因此成為學(xué)術(shù)界前沿研究領(lǐng)域之一。針對區(qū)間不確定性數(shù)據(jù)分類問題，由于每種分類方法在不同問題上都有各自的優(yōu)缺點(diǎn)，為此本文針對支持向量機(jī)、樸素貝葉斯和決策樹三種分類方法，從數(shù)據(jù)模型的建立、分類模型的改進(jìn)設(shè)計(jì)等幾個方面進(jìn)行了

3、研究，主要工作和成果如下：（1）提出了基于支持向量機(jī)的區(qū)間不確定性數(shù)據(jù)分類方法針對區(qū)間不確定性數(shù)據(jù)，構(gòu)建了不確定性數(shù)據(jù)的超橢球凸集模型，將該數(shù)據(jù)模型引入到標(biāo)準(zhǔn)的SVM和HSVM分類模型中，分別提出了不確定性支持向量機(jī)（IUSVM）和不確定性超球支持向量機(jī)（IUHSVM）兩種分類方法。然后，通過上下兩層子規(guī)劃交替迭代尋優(yōu)的方式對IUSVM和IUHSVM的不確定約束規(guī)劃問題進(jìn)行求解，并進(jìn)一步通過推導(dǎo)得到下層子規(guī)劃最優(yōu)解的數(shù)學(xué)公式，有效提高計(jì)

4、算效率。最后，從算法有效性、分類精度、運(yùn)行時間等三個方面進(jìn)行仿真對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：IUSVM和IUHSVM算法能有效描述數(shù)據(jù)的不確定性信息，且又保持SVM較好的魯棒性。（2）提出了基于樸素貝葉斯的區(qū)間不確定性數(shù)據(jù)分類方法針對區(qū)間不確定性數(shù)據(jù)，構(gòu)建了基于隨機(jī)理論的不確定性數(shù)據(jù)模型，分別提出了基于直方圖估計(jì)的不確定性樸素貝葉斯分類方法（IUHNBC）和基于改進(jìn)Parzen窗估計(jì)的不確定性樸素貝葉斯分類方法（IUPNBC）。IUHNBC

5、算法采用直方圖估計(jì)區(qū)間不確定性數(shù)據(jù)的類條件概率密度函數(shù)，將區(qū)間數(shù)據(jù)劃分到不同的直方圖區(qū)間，并給出落入各區(qū)間的概率及計(jì)算公式。最后，從直方圖區(qū)間個數(shù)選擇、算法分類精度、運(yùn)行時間等三個方面進(jìn)行仿真對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：同現(xiàn)有不確定性樸素貝葉斯方法相比，IUHNBC算法計(jì)算復(fù)雜度低，時間效率高，具有更好的分類精度和分類穩(wěn)定性。IUPNBC算法基于期望思想，采用Parzen估計(jì)法推導(dǎo)出不確定性數(shù)據(jù)類條件概率密度函數(shù)的數(shù)學(xué)計(jì)算公式，并通過其代數(shù)