基于不确定理论和机器学习的知识发现研究

论文摘要

随着计算机、通信和网络技术的发展,数据呈指数级增长,这些数据已经远远超出了人的能力,如何在海量的数据中发现有用的或感兴趣的知识,是一个迫切需要解决的问题。知识发现便应运而生。知识发现是从数据集中抽取和精化的新模式。本文的数据集是基于农业知识背景。期望通过知识发现研究来获取新的农业知识模式或改善传统的农业知识,从而更好地为农业生产服务。本文首先综述了知识发现的发生发展以及知识发现的方法。随之针对农业生产中存在的问题,运用不同知识发现的方法加以解决。本文知识发现的方法有不确定性理论和机器学习方法。不确定性理论主要是粗糙集理论和证据理论;机器学习方法主要是神经网络方法和支持向量机方法。鉴于植物病害诊断涉及的植物属性很多,包括植物的根、茎、叶、花、果,症状纷繁复杂,不同的病害之间的症状且有相似之处,非专业人员有时很难区分。为此本文分别给出基于粗糙集的酥梨病害知识发现系统构建与基于神经网络的酥梨病害分类器设计,解决非专业人员难以根据复杂相似病害症状进行诊断的问题。传统的植物营养诊断方法如DRIS,M-DRIS,DOP,各有所长,在进行诊断时会出现不同的诊断结果,致使用户难以做出决策。证据理论是信息融合技术中一种非常有效的不确定理论方法,根据其证据合成公式可以融合不同的专家知识,为用户做出决策提供良好的途径。本文基于证据理论的优势,构造了营养诊断方法融合模型,对三种诊断方法DRIS、MDRIS、DOP进行融合处理,结果表示该模型是切实可行的。针对现有的作物水分生产函数模型拟合精度低,本文提出基于支持向量回归机的方法拟合作物水分生产函数,并与现有的模型进行比较,拟合结果显示,基于支持向量机的模型拟合明显优于现有模型。通过对已有的不完备信息系统粗集扩展模型进行分析,并针对王国胤的限制容差模型存在条件限制宽松和严格的不足,对其加以改造,提出了改进的α限制容差关系模型,通过实例比较,验证其更具有实用性,在划分容差类时更具合理性有效性。其农业应用有待进一步研究。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 知识发现
• 1.1.1 知识发现的任务
• 1.1.2 知识发现的对象
• 1.2 知识发现的方法
• 1.2.1 不确定性理论的方法
• 1.2.2 机器学习方法
• 参考文献
• 第2章 基于粗糙集的酥梨病害知识发现系统构建
• 2.1 粗糙集理论的产生和发展
• 2.1.1 粗糙集理论的发展概况
• 2.1.2 粗糙集理论的研究现状
• 2.1.3 粗糙集试验系统
• 2.2 粗糙集理论的基本概念
• 2.2.1 知识与知识库
• 2.2.2 不精确范畴、近似及粗糙集
• 2.2.3 知识约简
• 2.2.4 知识的依赖性
• 2.2.5 知识表达系统
• 2.2.6 决策表
• 2.2.7 区分矩阵与区分函数
• 2.3 酥梨病害知识系统构建
• 2.3.1 系统结构
• 2.3.2 知识表示
• 2.3.3 属性约简
• 2.3.4 规则提取
• 2.4 酥梨病害系统应用实例
• 2.5 结束语
• 参考文献
• 第3章 基于限制容差关系的粗糙集模型拓展
• 3.1 不完备信息系统的研究现状
• 3.2 已有扩展的不完备信息系统粗集模型
• 3.2.1 容差关系模型
• 3.2.2 非对称相似关系模型
• 3.2.3 限制容差关系模型
• 3.3 改进的限制粗集模型—α限制容差关系模型
• 3.4 α限制容差关系模型性能比较分析
• 3.5 结论
• 参考文献
• 第4章 基于D—S理论营养诊断方法融合模型构建
• 4.1 证据理论的最新进展
• 4.1.1 理论完善
• 4.1.2 证据理论的应用
• 4.1.3 证据理论存在的问题
• 4.2 证据理论的基本知识
• 4.2.1 识别框架
• 4.2.2 基本可信度分配
• 4.2.3 信度函数
• 4.2.4 众信度函数
• 4.2.5 似真度函数
• 4.2.6 合成规则
• 4.3 营养诊断技术问题分析
• 4.4 基于D-S理论营养诊断融合模型构造
• 4.5 营养诊断融合模型结果分析
• 4.6 结束语
• 参考文献
• 第5章 基于神经网络的酥梨病害分类器设计
• 5.1 人工神经元模型
• 5.1.1 神经元的建模
• 5.1.2 神经元的数学模型
• 5.1.3 神经元的转移函数
• 5.2 人工神经网络模型
• 5.3 神经网络学习
• 5.3.1 最速下降法
• 5.3.2 LMS算法
• 5.4 BP神经网络
• 5.4.1 三层BP网络模型
• 5.4.2 BP学习算法
• 5.5 BP网络设计
• 5.5.1 训练样本集的准备
• 5.5.2 BP网络结构设计
• 5.6 基于BP网络设计的酥梨病害分类器
• 5.6.1 酥梨病害分类器学习样本的获取及预处理
• 5.6.2 酥梨病害分类器网络设计
• 5.6.3 酥梨病害分类器结果分析
• 5.7 结束语
• 参考文献
• 第6章 基于支持向量机水分生产函数研究
• 6.1 机器学习的模型
• 6.2 经验风险最小化原则
• 6.3 统计学习理论
• 6.3.1 VC维
• 6.3.2 学习机器推广的界
• 6.3.3 结构风险最小化
• 6.4 支持向量机
• 6.4.1 二值分类
• 6.4.2 最优分类超平面
• 6.4.3 线性支持向量机
• 6.4.4 近似线性可分支持向量机
• 6.4.5 非线性支持向量机
• 6.4.6 线性支持向量回归机
• 6.4.7 近似线性支持向量回归机
• 6.4.8 非线性支持向量回归机
• 6.4.9 ν-支持向量回归机
• 6.5 基于SVM的水分生产函数回归拟合
• 6.5.1 样本数据及其处理
• 6.5.2 进一步比较研究
• 6.5.3 结果分析
• 6.6 结束语
• 参考文献
• 第7章 总结与展望
• 致谢
• 在读期间发表的学术论文与取得的其他研究成果