基于神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)及優(yōu)化.pdf

1、分類是農(nóng)業(yè)數(shù)據(jù)挖掘的一項(xiàng)重要任務(wù),分類器設(shè)計(jì)是決定分類性能的關(guān)鍵因素。隨著我國(guó)數(shù)字化農(nóng)業(yè)的發(fā)展,農(nóng)業(yè)呈現(xiàn)出多樣化和區(qū)域化的趨勢(shì),導(dǎo)致農(nóng)業(yè)數(shù)據(jù)具有高維、動(dòng)態(tài)、非線性、非穩(wěn)定性等特點(diǎn),農(nóng)業(yè)分類問題的復(fù)雜程度不斷增加。尤其是在處理小規(guī)模和大規(guī)模農(nóng)業(yè)數(shù)據(jù)集這兩個(gè)特殊問題時(shí),傳統(tǒng)的方法所建立的模型不能全面、科學(xué)和本質(zhì)的反應(yīng)農(nóng)業(yè)數(shù)據(jù)的復(fù)雜特性,造成了信息量的丟失和分類準(zhǔn)確性的不足,嚴(yán)重制約著農(nóng)業(yè)數(shù)據(jù)分類研究的發(fā)展和進(jìn)步。因此,針對(duì)不同規(guī)模農(nóng)業(yè)數(shù)據(jù)的

2、特點(diǎn),構(gòu)造更高效合理、有針對(duì)性的分類器,實(shí)現(xiàn)對(duì)農(nóng)業(yè)數(shù)據(jù)的準(zhǔn)確分類,對(duì)農(nóng)業(yè)數(shù)據(jù)挖掘研究具有積極地推動(dòng)作用。
　　本研究針對(duì)小規(guī)模和大規(guī)模農(nóng)業(yè)數(shù)據(jù)的特點(diǎn),在分析了傳統(tǒng)方法經(jīng)驗(yàn)與不足的基礎(chǔ)上,提出基于神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)與優(yōu)化方法,重點(diǎn)解決農(nóng)業(yè)數(shù)據(jù)分類中的三個(gè)關(guān)鍵問題——數(shù)據(jù)預(yù)處理環(huán)節(jié)的變量篩選問題,小規(guī)模數(shù)據(jù)的分類問題,大規(guī)模數(shù)據(jù)的分類問題,提出將神經(jīng)網(wǎng)絡(luò)與群體智能算法、云計(jì)算相結(jié)合的方法,實(shí)現(xiàn)對(duì)不同規(guī)模農(nóng)業(yè)數(shù)據(jù)集的分類,并通過對(duì)比實(shí)

3、驗(yàn)驗(yàn)證了方法的正確性和有效性。
　　本文研究的主要內(nèi)容及取得的成果如下:
　　(1)研究了基于MIV的神經(jīng)網(wǎng)絡(luò)變量篩選方法。通過計(jì)算數(shù)據(jù)集中每個(gè)屬性對(duì)于神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確度的平均貢獻(xiàn)值MIV,選取數(shù)據(jù)集中對(duì)神經(jīng)網(wǎng)絡(luò)建模效果顯著的屬性作為網(wǎng)絡(luò)的輸入變量,達(dá)到變量篩選、冗余消除的效果,提高分類準(zhǔn)確性。
　　(2)針對(duì)樣本數(shù)據(jù)量不足的情況,提出了小規(guī)模農(nóng)業(yè)數(shù)據(jù)集的神經(jīng)網(wǎng)絡(luò)分類方法。研究將果蠅尋優(yōu)算法與GRNN神經(jīng)網(wǎng)絡(luò)相結(jié)合,通

4、過模擬果蠅的覓食行為,實(shí)現(xiàn)GRNN神經(jīng)網(wǎng)絡(luò)關(guān)鍵建模參數(shù)——平滑因子的自適應(yīng)確定,完成對(duì)GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)化,達(dá)到提升小規(guī)模數(shù)據(jù)集分類準(zhǔn)確度的目的。
　　(3)針對(duì)大樣本數(shù)據(jù)量的情況,提出了大規(guī)模農(nóng)業(yè)數(shù)據(jù)集的神經(jīng)網(wǎng)絡(luò)分類方法。在對(duì)傳統(tǒng)的BP-AdaBoost算法進(jìn)行分析的基礎(chǔ)上,結(jié)合云計(jì)算思想,給出了傳統(tǒng)BP-AdaBoost算法的MapReduce并行化方法。將改進(jìn)后的算法部署在Hadoop集群上,并通過三個(gè)對(duì)比實(shí)驗(yàn),驗(yàn)證了該算