基于遺傳規(guī)劃的多類分類技術(shù)研究.pdf

1、分類問題尤其是多類分類問題一直是數(shù)據(jù)挖掘研究的熱點問題。在實際應(yīng)用中，如圖像識別，文本分類等等，需要處理的數(shù)據(jù)都是海量和多類別的。如何解決多類別的分類問題，是近幾年研究的重點之一。本文將新的遺傳學習算法——遺傳規(guī)劃(Genetic Programming)用于多類分類問題中，對其算法進行了嘗試性地改進。 遺傳規(guī)劃是一種新型的搜索尋優(yōu)方法。它仿效生物界中進化和遺傳的過程，遵從“優(yōu)勝劣汰，適者生存”原則，從一組隨機生成的初始可行解開

2、始，通過復制、交叉和變異等遺傳操作，逐步迭代而逼近問題的最優(yōu)解。本文闡述了遺傳規(guī)劃算法的原理和進化計算的基本知識；介紹了相關(guān)分類技術(shù)；分析了遺傳規(guī)劃的特點；研究了運用遺傳規(guī)劃解決分類問題的方法模型；并針對遺傳規(guī)劃在多類分類問題中的技術(shù)局限進行了改進。 本文主要從三個方面對基于遺傳規(guī)劃的多類分類技術(shù)進行改進。首先在基于靜態(tài)選擇邊界模型(Static Range Selection，SRS)的基礎(chǔ)上進行改進，建立了兩種動態(tài)分類模型：

3、基于中心的動態(tài)邊界選擇和基于狹槽的動態(tài)邊界選擇，對這兩種模型進行了相應(yīng)的算法設(shè)計。第二，將梯度下降搜索算法引入到遺傳規(guī)劃中。遺傳規(guī)劃整體算法仍然運用全局搜索，只是在確定遺傳程序數(shù)字終端時運用了梯度下降搜索的方法，不影響遺傳規(guī)劃整體的束搜索和遺傳操作。第三，遺傳程序在進行遺傳操作的過程中，會產(chǎn)生很多冗余。本文提出一種在單個程序進化過程中定期清除冗余的方法。該方法既不影響遺傳規(guī)劃的結(jié)構(gòu)和進化過程，又可以提高精度，加速演變。最后，進行了實驗設(shè)

4、計，通過五個不同難度的圖像數(shù)據(jù)樣本集(Shape，Coin)對以上三方面的改進進行驗證。實驗結(jié)果表明，SRS法在較簡單的兩類分類問題中效果較好，而基于動態(tài)的邊界選擇模型為解決遺傳程序的輸出轉(zhuǎn)化為類別標定的分類問題，尤其是較復雜的多類分類問題提供了新的解決方法；梯度下降搜索算法提高了群體的進化速度和學習效率；遺傳程序進化過程中定期對終端集進行簡化，在一定程度上改善了分類性能。 本文在遺傳規(guī)劃技術(shù)三個方面的改進不同程度地提高了遺傳規(guī)