基于集成學(xué)習(xí)的覆蓋算法研究.pdf

1、分類和聚類是兩種重要的數(shù)據(jù)挖掘技術(shù)，分類是對(duì)數(shù)據(jù)集中具有同樣類標(biāo)號(hào)的數(shù)據(jù)建立規(guī)則或模型，通過這些規(guī)則或模型能對(duì)數(shù)據(jù)正確分類。聚類是通過相似度對(duì)沒有類別標(biāo)號(hào)的數(shù)據(jù)集中數(shù)據(jù)進(jìn)行分組，使得組內(nèi)對(duì)象相似度高而組間相似度低。
　　 構(gòu)造型神經(jīng)網(wǎng)絡(luò)是一種新型的神經(jīng)網(wǎng)絡(luò)，它將網(wǎng)絡(luò)功能劃分成若干獨(dú)立的功能模塊，整個(gè)網(wǎng)絡(luò)可以分層逐步構(gòu)造。相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，構(gòu)造型神經(jīng)網(wǎng)絡(luò)具有大規(guī)模網(wǎng)絡(luò)構(gòu)建相對(duì)簡(jiǎn)單、易理解、內(nèi)部功能模塊相對(duì)獨(dú)立、設(shè)計(jì)簡(jiǎn)單、可并行處

2、理等特點(diǎn)，在解決海量數(shù)據(jù)、解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練速度慢、擴(kuò)展神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域等方面顯示出了巨大的優(yōu)勢(shì)和潛力?；诟采w思想的構(gòu)造型神經(jīng)網(wǎng)絡(luò)是從神經(jīng)元模型幾何意義出發(fā)而提出來的，它的核心是領(lǐng)域覆蓋算法，算法首先是逐步在樣本集的投影域構(gòu)造出只含同類數(shù)據(jù)的“球形區(qū)域”，然后再將具有共同類標(biāo)號(hào)的“球形區(qū)域”組成統(tǒng)一的輸出。
　　 集成學(xué)習(xí)技術(shù)是利用多個(gè)學(xué)習(xí)器來解決同一個(gè)問題，這樣可以顯著地提高學(xué)習(xí)系統(tǒng)的泛化能力以及穩(wěn)定性。傳統(tǒng)的覆

3、蓋算法并不能實(shí)現(xiàn)對(duì)增量樣本的學(xué)習(xí)過程，本文提出基于集成學(xué)習(xí)的覆蓋增量學(xué)習(xí)算法，通過樣本權(quán)值的設(shè)置加大對(duì)新增樣本的學(xué)習(xí)，并針對(duì)不同情形的增量樣本給出對(duì)應(yīng)的算法，成功實(shí)現(xiàn)覆蓋算法對(duì)增量樣本的學(xué)習(xí)過程。針對(duì)傳統(tǒng)領(lǐng)域覆蓋算法因?yàn)椤扒蛐螀^(qū)域”過多導(dǎo)致“拒識(shí)樣本”過多，交叉覆蓋算法因?yàn)楸旧順?gòu)造時(shí)過分依賴訓(xùn)練樣本而導(dǎo)致泛化能力較差的問題，本文提出基于集成學(xué)習(xí)的覆蓋算法，該算法一方面大大減少了“拒識(shí)樣本”，另一方面也顯著提高了算法的泛化能力。
　

4、　 覆蓋聚類算法是將傳統(tǒng)的領(lǐng)域覆蓋算法應(yīng)用于聚類分析，是利用聚類數(shù)據(jù)局部聚集的特性進(jìn)行聚類的算法，算法具有聚類快速、參數(shù)設(shè)置相對(duì)簡(jiǎn)單的特點(diǎn)，本文利用覆蓋聚類算法為K-means算法探索初始中心，改進(jìn)后的算法不僅可以顯著降低K-means的迭代次數(shù)，而且還有助于發(fā)現(xiàn)K-means的最佳聚類效果。針對(duì)覆蓋聚類算法聚類效果不理想的問題，本文結(jié)合覆蓋算法本身特點(diǎn)，提出基于“中心匹配”的新的簇標(biāo)號(hào)匹配方法，并在此基礎(chǔ)上提出基于集成學(xué)習(xí)的覆蓋聚類