新型层次结构模糊分类学习方法研究
发布时间：2023-03-04 20:55
近年来,人工智能技术在人类生活中的各个领域都得到了广泛地应用。特别是机器学习技术在分类、聚类以及回归等众多知识任务中都取得了突破性进展。其中,分类是目前机器学习中重要的研究方向之一,它广泛应用于语义解析、图像识别、文本分类以及辅助医学诊断等实际应用场合。Takagi-Sugeno-Kang(TSK)作为人工智能的一个重要研究分支已被应用到多个领域,怎样提高它的分类性能和增强可解释性仍然是一个十分具有挑战性的工作。然而在面对新兴的应用场景时,通常面临以下挑战:(1)仅随机提取原样本中的部分特征,如何保持分类器的分类性能和强的可解释性,同时还要适用于大样本分类;(2)在保证整个分类器分类性能的前提下,提高各个训练块的泛化能力;(3)如何增强模糊分类器的避免过拟合能力;(4)如何解决现有层次模糊分类器在解释中间层输出和模糊规则方面存在的不足问题。为了解决传统分类器在处理上述应用场景中所面临的问题,本论文主要从分类角度对经典的模糊分类器进行改进,以期得到令人满意的分类效果。具体工作如下:(1)第一部分为第二章节,主要探讨了基于局部特征信息的层次模糊分类问题。为了进一步增强层次模糊分类器的分类性...
【文章页数】：109 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.1.1 模糊分类介绍
1.1.2 TSK模糊分类介绍
1.1.3 深度学习和层次TSK模糊分类系统介绍
1.2 传统结构模糊分类方法
1.2.1 传统结构模糊分类方法面临的挑战
1.2.2 传统模糊分类方法
1.3 层次结构模糊分类方法的几点思考
1.4 课题研究内容和本文结构
第二章 基于局部特征信息的层次模糊分类方法
2.1 引言
2.2 基本知识回顾
2.3 深度/多层次TSK模糊分类器D-TSK-FC
2.3.1 深度/多层次的训练结构
2.3.2 深度/多层次学习算法(训练/测试算法)
2.3.3 算法时间复杂性分析
2.4 实验
2.4.1 二分类数据集
2.4.2 多分类数据集
2.4.3 真实数据集the Electricity Pricing上的分类性能分析
2.5 本章小结
第三章 基于优化训练特征的层次模糊分类方法
3.1 引言
3.2 相关知识概述
3.3 深度/多层次TSK模糊分类器SHFA-TSK-FC
3.3.1 SHFA-TSK-FC训练结构
3.3.2 SHFA-TSK-FC学习算法
3.3.3 时间复杂度
3.4 实验研究
3.4.1 二分类数据集上性能分析
3.4.2 多分类数据集上性能分析
3.4.3 非参数统计分析
3.4.4 关于真实数据集Electricity Pricing
3.5 本章小结
第四章 基于训练块内集成组合的层次模糊分类方法
4.1 引言
4.2 相关知识回顾
4.3 栈式分块组合模糊分类器IBC-TSK-FC
4.3.1 IBC-TSK-FC基训练块
4.3.2 基训练块内的负相关学习策略
4.3.3 基于栈式结构Blockwise组合学习
4.3.4 时间复杂度
4.4 实验和结论
4.4.1 实验组织
4.4.2 关于二分类数据集
4.4.3 关于多类数据集
4.4.4 关于可解释性
4.4.5 真实案例:the Bank-Marketing数据集
4.5 本章小结
第五章 基于RBM且避免过拟合的层次模糊分类方法
5.1 引言
5.2 相关工作
5.2.1 相关知识回顾
5.2.2 受限的Boltzmann机简述
5.3 层次TSK模糊分类器R-TSK-FC
5.3.1 R-TSK-FC的结构
5.3.2 增强避免过拟合性能
5.3.3 关于R-TSK-FC的学习算法
5.3.4 时间复杂性
5.4 实验和结果
5.4.1 实验组织
5.4.2 关于二分类和多分类数据集的讨论
5.4.3 非参数统计分析
5.4.4 关于现实世界的案例:Electricity Pricing数据集
5.5 本章小结
第六章 结束语
致谢
参考文献
附录
附录1 :攻读博士学位期间撰写的相关论文
本文编号：3754983
【文章页数】：109 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.1.1 模糊分类介绍
1.1.2 TSK模糊分类介绍
1.1.3 深度学习和层次TSK模糊分类系统介绍
1.2 传统结构模糊分类方法
1.2.1 传统结构模糊分类方法面临的挑战
1.2.2 传统模糊分类方法
1.3 层次结构模糊分类方法的几点思考
1.4 课题研究内容和本文结构
第二章 基于局部特征信息的层次模糊分类方法
2.1 引言
2.2 基本知识回顾
2.3 深度/多层次TSK模糊分类器D-TSK-FC
2.3.1 深度/多层次的训练结构
2.3.2 深度/多层次学习算法(训练/测试算法)
2.3.3 算法时间复杂性分析
2.4 实验
2.4.1 二分类数据集
2.4.2 多分类数据集
2.4.3 真实数据集the Electricity Pricing上的分类性能分析
2.5 本章小结
第三章 基于优化训练特征的层次模糊分类方法
3.1 引言
3.2 相关知识概述
3.3 深度/多层次TSK模糊分类器SHFA-TSK-FC
3.3.1 SHFA-TSK-FC训练结构
3.3.2 SHFA-TSK-FC学习算法
3.3.3 时间复杂度
3.4 实验研究
3.4.1 二分类数据集上性能分析
3.4.2 多分类数据集上性能分析
3.4.3 非参数统计分析
3.4.4 关于真实数据集Electricity Pricing
3.5 本章小结
第四章 基于训练块内集成组合的层次模糊分类方法
4.1 引言
4.2 相关知识回顾
4.3 栈式分块组合模糊分类器IBC-TSK-FC
4.3.1 IBC-TSK-FC基训练块
4.3.2 基训练块内的负相关学习策略
4.3.3 基于栈式结构Blockwise组合学习
4.3.4 时间复杂度
4.4 实验和结论
4.4.1 实验组织
4.4.2 关于二分类数据集
4.4.3 关于多类数据集
4.4.4 关于可解释性
4.4.5 真实案例:the Bank-Marketing数据集
4.5 本章小结
第五章 基于RBM且避免过拟合的层次模糊分类方法
5.1 引言
5.2 相关工作
5.2.1 相关知识回顾
5.2.2 受限的Boltzmann机简述
5.3 层次TSK模糊分类器R-TSK-FC
5.3.1 R-TSK-FC的结构
5.3.2 增强避免过拟合性能
5.3.3 关于R-TSK-FC的学习算法
5.3.4 时间复杂性
5.4 实验和结果
5.4.1 实验组织
5.4.2 关于二分类和多分类数据集的讨论
5.4.3 非参数统计分析
5.4.4 关于现实世界的案例:Electricity Pricing数据集
5.5 本章小结
第六章 结束语
致谢
参考文献
附录
附录1 :攻读博士学位期间撰写的相关论文
本文编号：3754983
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3754983.html