基于模糊認知圖的集成分類器構造研究 ( 簡體 字) |
作者:馬楠 | 類別:1. -> 程式設計 -> 綜合 |
譯者: |
出版社:電子工業出版社 | 3dWoo書號: 38873 詢問書籍請說出此書號!【缺書】 【不接受訂購】 |
出版日:6/1/2014 |
頁數:148 |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 簡體 版 ) |
|
【不接受訂購】 |
ISBN:9787121235344 |
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
作者序: |
譯者序: |
前言: 自1976年Axelord首次提出三值認知圖后,1986年,Kosko等人結合模糊集合論提出把概念節點間的三值邏輯關系擴展為[-1,1]區間上的模糊關系,正式提出了模糊認知圖(Fuzzy Cognitive Maps,FCM)理論。此后眾多專家學者對FCM進行了拓展性研究,出現了定性概率網絡、基于規則的認知圖模型、動態認知網絡、概率模糊認知圖等諸多類型,從一定程度上豐富和發展了模糊認知圖理論體系。但遺憾的是,到目前為止還沒有發現完整的模糊認知圖在分類機理方面的研究成果,更沒有深入到從集成分類器的角度進行審視和考量。由此可見,深入分析模糊認知圖內涵的分類機理的本質,進而從理論和技術上較好地解決模糊認知圖在分類問題中的應用,勢必將從一定程度上推動本學科的發展。因此,該課題的研究具有重大的理論意義和應用價值。本書的關注點集中在處理模糊認知圖分類的主流方法,主要研究內容可概括為以下四點。 (1)從模糊認知圖的定義出發,針對現有基于模糊認知圖框架下各種模糊認知圖的技術方法進行詳細描述,并分析其各自的優缺點和目前國內外相關技術的研究現狀。 (2)提出了一種新的模糊認知圖分類器模型構造方法,包括構建流程、激活函數、推理規則和學習方法等核心構件。該模型利用提出的動態交叉變異算子自適應遺傳進化過程,實現種群間自動調節和自動適應。仿真實驗表明:提出的模型增強了局部隨機搜索能力,加強了算法的全局收斂能力,與其他經典分類方法相比,具有較好的性能。 (3)提出了一種基于多測度的范異構模糊認知圖集成分類器模型。在分析基于集成學習的模糊認知圖分類器構造過程的基礎上,分別設計了基于Adaboost集成算法和Bagging集成方法的FCMCM多分類器集成方法;通過對文物進行分類的實驗案例,說明FCM集成分類器改善與提高了模糊認知圖的分類功能,在很大程度上解決了模糊認知圖參與挖掘過程的問題,進而構造了基于多測度的范異構分類器集成模型(Multi-measure based Integrating Generalizedly Heterogeneous Classifier,FCMCM-MMIHC), 即將多FCMCM分類器集成過程劃分為兩個階段:樣本分離階段和Bagging組合階段,前者采用一致投票原則,后者采用多數投票原則。在多個UCI數據集上的測試表明,與基于Adaboost和Bagging的多FCM分類器集成分類器相比,FCMCM-MMIHC分類精度最高,從而驗證了FCMCMMMIHC 的正確性與先進性。 (4)結合提出的模糊認知圖分類器FCMCM和模糊認知圖集成分類器FCMCM-MMIHC,對復合金字塔模型的綜合分析層進行深入分析,將FCMCM及FCMCM-MMIHC分別融合到蛋白質二級結構預測系統中,分別形成了蛋白質二級結構預測模型CPMF和CPMFM(統寫為CPMFCM)的新構造。融合了該層的同源分析方法和SVM方法,改變了原來綜合分析層的投票策略,把原用的一致投票策略改為多數投票策路,使改進的復合金字塔模型CPMFCM在預測精度方面獲得了較大的提升。 通過連續對國內外文獻的跟蹤,尚未見到與以上創新點相同的研究,本書所取得的研究成果在一定程度上克服了模糊認知圖分類難的問題,進一步豐富和發展了模糊認知圖的理論體系。 本書的出版受北京市信息服務工程重點實驗室、國家自然科學基金青年基金項目“基于全新融合機制的模糊認知圖集成分類器模型與算法研究(項目編號:61300078)”、北京聯合大學新起點計劃項目(2k10201312)和國家級服務外包人才培養模式創新實驗區2013年專項人才培養項目資助。感謝楊炳儒教授、鮑泓教授、田景文教授、劉宏哲副教授對本書提出的寶貴意見,本書出版過程中,得到了北京聯合大學信息學院領導、同事的大力支持與幫助,電子工業出版社的副總編高平編審、許存權編輯在本書的編寫過程中提出了很多寶貴的意見和建議,在此,作者向他們一并表示深深的感謝。 然學無止境,研究歷程讓我感覺到自己知識的局限與匱乏,取得的成果也僅為滄海一粟。由于本人學識疏淺、時間倉促以及經驗不足,有些成果僅是作者一孔之見,書中的不足和錯誤在所難免,故懇請各位同行斧正。
馬 楠 2014年4月20日 |
內容簡介:本書是以作者近些年的研究成果為基礎的科學專著,也是國內第一部以模糊認知圖為主題的專著。 本書密切跟蹤國際前沿研究主流的發展趨向,探析了模糊認知圖的研究方向、模糊認知圖的學習方法、模糊認知圖分類器及其集成模型。本書以探討模糊認知圖分類的關鍵因素為導向,以論述基礎概念—研究相關算法—提出可行模型為主線,有效利用模糊認知圖解決了在蛋白質二級結構環境中的分類問題。 |
目錄:第1章 引言 /1 1.1 研究背景 / 1 1.2 主要研究內容和創新點 / 2 1.3 全書的組織安排 / 3 第2章 文獻綜述 /6 2.1 數據挖掘的產生與發展 / 6 2.1.1 數據挖掘過程 / 9 2.1.2 數據挖掘的技術方法 / 11 2.1.3 數據挖掘應用領域 / 22 2.2 數據挖掘的研究熱點及趨勢分析 / 24 2.2.1 空間數據挖掘 / 24 2.2.2 分布式數據挖掘 / 26 2.2.3 基于云計算的數據挖掘 / 29 2.3 基于內在認知機理的知識發現理論KDTICM / 30 2.4 本章小結 / 35
第3章 模糊認知圖 /36 3.1 模糊認知圖的基本概念及研究進展 / 36 3.2 FCM推理機制 / 39 3.2.1 前向式演化推理 / 40 3.2.2 后向式演化推理 / 40 3.3 模糊認知圖研究方向 / 41 3.3.1 動態模糊認知圖 / 41 3.3.2 概率模糊認知圖 / 44 3.3.3 隨機模糊認知圖 / 45 3.3.4 基于規則的模糊認知圖 / 46 3.3.5 復雜模糊認知圖 / 47 3.4 模糊認知圖的學習方法 / 48 3.4.1 演化學習 / 48 3.4.2 適應性學習 / 50 3.4.3 混合方法 / 52 3.5 本章小結 / 53
第4 章 一種模糊認知圖分類器構造方法 /57 4.1 FCMCM 分類器 / 57 4.1.1 FCM 分類器定義 / 57 4.1.2 FCM 分類器模型結構 / 57 4.1.3 激活函數 / 59 4.1.4 推理規則 / 59 4.1.5 學習方法 / 60 4.2 實驗驗證 / 61 4.2.1 數據集 / 61 4.2.2 實驗部分 / 62 4.3 本章小結 / 67
第5 章 集成學習FCM 分類器 /68 5.1 集成學習 / 68 5.1.1 集成分類器的構造方法 / 69 5.1.2 多FCM 集成學習的基本思想 / 72 5.2 集成學習的構造過程 / 73 5.2.1 基本Bagging 的多FCM 分類器集成 / 73 5.2.2 基于Adaboost 的多FCM 分類器集成 / 79 5.3 多測度范異構分類器集成方法 / 82 5.3.1 樣本分離階段 / 83 5.3.2 Bagging 組合階段 / 84 5.3.3 實驗驗證 / 85 5.4 本章小結 / 87
第6 章 基于FCM 集成分類器的蛋白質二級結構智能預測模型新構造 /89 6.1 蛋白質二級結構預測的必要性分析 / 89 6.2 蛋白質結構介紹 / 90 6.3 蛋白質二級結構預測研究現狀 / 95 6.4 CPMFCM / 100 6.4.1 理論基礎 / 100 6.4.2 測試數據集 / 101 6.4.3 評價標準 / 101 6.4.4 CPMF 整體架構 / 103 6.4.5 實驗結果與分析 / 110 6.5 本章小結 / 117
第7 章 總結與展望 /118 7.1 總結 / 118 7.2 展望 / 120
參考文獻 /122 |
序: |