微粒群算法在分类问题中的应用研究

论文摘要

分类是从训练数据集中找出一个类别的概念描述,依据概念描述来建立分类模型,并用该模型预测未知数据的类别。作为数据挖掘的一个重要分支,它在商业、医学、军事等领域都有广泛的应用。目前常见的分类方法有决策树、贝叶斯网络、神经网络方法、粗糙集、模糊集和支持向量机等。微粒群算法作为进化算法的一种,有其自身的独特性,其概念简单,易于实现,在很多领域中都被广泛应用。本文将微粒群算法应用于连续属性分类问题进行分类规则的提取。由于微粒群算法的优化性能受参数影响较大,本文提出一种新的社会系数调整策略,该策略随进化代数的增加逐步增大社会部分对速度的影响,从而能有效提高算法效率,并将其应用于分类规则的提取,结果表明该策略在一定程度上优于标准微粒群算法;其次,适应值函数的选择对于分类问题而言非常重要,针对已有的适应值函数选择存在的缺陷,本文提出了一种新的适应值函数形式,将其应用于UCI数据集分类问题,得到了比较好的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.2 国内外研究现状
• 1.3 本论文的研究内容及结构
• 第二章 分类问题和微粒群算法
• 2.1 分类问题
• 2.1.1 分类问题描述
• 2.1.2 分类规则挖掘步骤
• 2.1.3 分类规则挖掘方法及其比较
• 2.1.4 分类器评价
• 2.2 微粒群算法
• 2.2.1 微粒群算法的产生与发展
• 2.2.2 微粒群算法的基本原理
• 2.2.3 PSO 算法参数设置
• 2.2.4 PSO 算法的改进及应用
• 第三章 基于PSO 算法的分类模型构造
• 3.1 结构设计
• 3.2 基于微粒群算法的分类规则的设计
• 3.2.1 分类规则描述与编码设计
• 3.2.2 适应值函数
• 3.2.3 初始群体生成方法
• 3.3 改进的微粒群算法
• 3.4 算法实现步骤
• 3.5 仿真实验
• 3.6 小结
• 第四章 应用PSO 算法提取分类规则
• 4.1 分类模型
• 4.2 适应值函数设计
• 4.2.1 几种适应值函数
• 4.2.2 本文提出的适应值函数
• 4.3 应用微粒群算法提取分类规则
• 4.3.1 规则编码
• 4.3.2 初始群体的生成方法
• 4.3.3 冲突解决
• 4.3.4 算法终止条件
• 4.4 仿真实验
• 4.4.1 数据来源
• 4.4.2 实验结果
• 4.5 小结
• 第五章 总结与展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢
• 作者简介