基于粗糙集和SOM神经网络的知识分类的算法研究

论文摘要

随着经济的发展和社会的进步,生活中的信息及知识呈现爆炸式增长,如果不能有效进行处理,就会产生大量数据垃圾,信息增多的同时有价值信息难以获取。如何处理复杂的数据并提取有价值的知识成为当今信息时代的重要研究课题。在计算智能领域,面向知识的自动识别与分类,有大量成熟的理论与方法。粗糙集作为一种强的数据分析工具,与其它知识挖掘技术相比,在解决分类问题上有独到的优势,利用粗糙集进行知识分类不需要先验知识,在较少的数据中也可挖掘出较好的规则或知识,生成的规则易于理解,而且该方法简单,易于操作。而作为研究复杂性的有力工具神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性,特别是能处理任意类型的数据,这是许多传统方法所无法比拟的。通过各种理论与方法相结合的方式解决实际问题是目前研究的主要方向之一。所以,本论文利用粗糙集和SOM神经网络在处理海量数据以及知识分类中的应用及优势,在数据的离散化、筛选、聚类、约简、规则提取等步骤中灵活运用各种算法,通过分析粗糙集理论以及SOM神经网络在知识分类中的研究和应用,实现一种新的两者结合的知识分类模型。在新的知识分类模型中,知识分类被划分为3个环节,包含原始数据的关键属性提取及连续数据离散化、利用粗糙集属性约简实现数据属性降维以及使用SOM对低纬度数据进行聚类分析。同时,论文针对新的知识分类模型中利用粗糙集属性约简环节,创新性的提出一种更快捷高效的约简算法。论文中利用C++编程语言基本实现了整个知识分类模型的3个部分,并利用中央地勘基金远程监管平台的部分物探监管指标数据代入程序进行实现,得到相应的知识分类结果,并通过对结果的分析,把新约简模型和新算法与其他知识分类方法进行对比证明了新算法的有效性,并论证粗糙集与SOM神经网络结合的知识分类新模型的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外相关研究历史与现状
• 1.2.1 粗糙集的研究历史与现状
• 1.2.2 粗糙集知识约简的研究历史与现状
• 1.2.3 SOM 神经网络的研究历史与现状
• 1.2.4 粗糙集与SOM 神经网络相结合的研究历史与现状
• 1.3 本文的研究工作
• 1.3.1 知识分类新模型
• 1.3.2 属性约简新算法
• 1.4 本文的组织
• 第二章 预备知识
• 2.1 粗糙集的基本理论
• 2.1.1 近似空间
• 2.1.2 近似空间与不可分辨关系
• 2.1.3 知识与知识库
• 2.1.4 上下近似与粗糙集
• 2.2 粗糙集知识约简基本理论
• 2.2.1 约简与核
• 2.3 SOM 神经网络的基本理论
• 2.3.1 SOM 网的生物学基础
• 2.3.2 SOM 神经网络的组成
• 2.3.3 SOM 神经网络学习算法
• 本章小结
• 第三章 基于粗糙集和SOM 神经网络的知识分类的算法模型
• 3.1 算法模型
• 3.2 数据输入模块
• 3.2.1 数据来源的项目依托
• 3.2.2 数据来源基础
• 3.3 数据预处理模块
• 3.3.1 ADO 读写模块
• 3.3.2 数据属性的提取
• 3.3.3 对连续知识进行离散化处理
• 3.4 属性约简模块
• 3.4.1 属性活跃度计算
• 3.4.2 聚类分析
• 3.4.3 盲目删除属性约简算法
• 3.4.4 基于聚类及活跃度排序的删除属性约简算法
• 3.4.5 基于属性活跃度的约简算法有效性分析
• 3.5 SOM 数据聚类模块
• 3.5.1 Kohonen 学习算法
• 3.5.2 SOM 聚类模块的实现
• 本章小结
• 第四章 系统实现
• 4.1 系统环境
• 4.2 数据预处理模块的程序实现
• 4.3 属性约简算法的程序实现
• 4.4 SOM 神经网络聚类算法的程序实现
• 本章小结
• 第五章 总结与回顾
• 参考文献
• 致谢
• 在攻读硕士研究生期间发表的论文
• 个人简历