分布估計學習算法研究.pdf

1、機器學習是以經驗數據為基礎，以設計和開發(fā)能夠使計算機進行行為演化的算法為主要內容的一門學科。機器學習使用的經驗數據主要包括數據流和數據庫中的數據。對機器學習的研究主要集中在基于經驗數據識別復雜模式，進行智能決策等各種自動學習行為的產生。分布估計算法(通?？s寫為EDA)是演化計算領域的一個新的研究分支。EDA以種群中個體的分布估計加上從分布中進行抽樣兩步過程，來代替經典演化算法的搜索算子。EDA的主要目標是不再使用任何算子(重組、變異等)

2、，而是通過顯示建模來尋找有意義的(最佳的)個體的概率分布情況。
　　本文主要進行基于EDA的學習算法及其理論和應用方面的相關研究，完成的主要工作包括：
　　(1)設計了分布估計一般學習框架FrEDL。FrEDL主要由四個步驟完成，初始化、估計、演化和評價。給出了FrEDL相關的概率基礎、代數和代數系統(tǒng)等方面的性質分析。
　　(2)設計了基于EDA的半監(jiān)督學習算法EDA-SSL。EDA-SSL利用少量有標簽數據估計大量無

3、標簽數據的類別分布情況，也就是利用已知類別樣本估計數據集總體密度分布。利用低維數據的EDA-SSL算法分析過程解析了基于概率的演化學習基礎過程，利用真實的高維數據進行了算法的驗證和分析。
　　(3)設計了基于EDA的無監(jiān)督聚類學習算法EDA-USL。通過利用聚類學習的度量方法、數據集的屬性相關性分析等提高算法性能的技術，給出了 EDA-USL的具體細節(jié)描述和分析。算法在真實數據集上進行了驗證和分析，實驗結果表明該算法具有較高的穩(wěn)定