面向不确定性推理和数据分析的模式识别方法研究

论文摘要

在诸如人工智能、机器学习、模式识别和数据挖掘等许多研究领域,智能系统中往往存在不精确和不确定性。因此我们必须处理具有不确定性的问题。对于图像处理和模式识别研究人员来说,所遇到的问题都可以归结为不确定性推理的研究。因此,我们从不确定性推理的角度研究模式识别问题,从而揭示各种模式识别方法的统一的本质,就显得非常有意义。概率论是表示不确定性的唯一合理的方法,概率论对于机器学习或不确定情况下的推理是有用的。贝叶斯概率理论是数学概率论的一个分支,它通过将先验知识和观测事件结合起来而允许我们对于现实世界中的不确定性建模并进行感兴趣的推理。因此,我们可以把各种机器学习问题统一在贝叶斯机器学习方法框架下,把机器学习和模式识别问题看作是一个贝叶斯推理问题,即把不确定性推理问题看作是在给定完全观测数据时计算参数的后验概率。这样就提供了一个概念清晰而且逻辑上连贯一致的“机制”,从而把所有的方法都联系在一起。贝叶斯网络是概率论与图论的结合,表示数据中变量之间的条件独立性与概率分布,用于概率推理。贝叶斯网络是一种有效的不确定性推理方法。贝叶斯网络被广泛用来进行不确定性推理,一个最重要的原因就是现实世界中存在不确定性,而概率论是表示不确定性的一个合理的方式。另外一个原因就是贝叶斯网络是模块化地表示不确定知识,这使得它们易于维护而且可以应用到不同的环境中去。因此贝叶斯网络在不确定性推理方面就显得非常有吸引力。粗糙集理论是另外一种不确定性推理方法,也称作粗糙逻辑,它通过一些集合关系近似运算进行不确定性知识推理。它基于知识表示的不可分辨关系,对于不完备或不一致数据,把数据相对于条件属性表示为下近似和上近似集合,即用两个精确意义上的集合表示一个不确定性概念。并基于这两个近似集合定义粗糙集操作,去除数据中的冗余信息,根据数据本身提取决策规则用于预测和分类。它不需要除数据本身之外的任何先验知识。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状和趋势
• 1.3 不确定推理的其他方法
• 1.4 粗糙集理论和概率论的结合
• 1.5 本文的研究内容和结构安排
• 第二章 基于粗糙集的特征选择方法
• 2.1 基于粗糙集和微粒群算法的特征选择
• 2.2 粗糙集特征选择和规则提取算法用于脑肿瘤诊断和预测
• 2.3 基于有序PSO 的粗糙集近似熵约简
• 第三章 基于近似精度和信息熵的粗糙集不确定性度量方法
• 3.1 引言
• 3.2 粗糙集理论中基本的不确定性度量
• 3.3 信息熵和粗糙熵
• 3.4 实例
• 3.5 小结
• 第四章 基于模糊粗糙集的最近邻聚类分类算法
• 4.1 引言
• 4.2 模糊粗糙集及模糊粗糙近邻算法
• 4.3 基于FRNN 算法的聚类分类算法（FRNNC）
• 4.4 实验及结论
• 第五章 贝叶斯网络及隐变量隐结构学习
• 5.1 引言
• 5.2 概率论和图论基础
• 5.3 贝叶斯网络
• 5.4 隐变量贝叶斯网络学习
• 5.5 评分函数在结构学习中的重要性
• 5.6 贝叶斯熵标准
• 5.7 以BEC 为标准学习有监督的隐变量贝叶斯网络
• 5.8 实验结果
• 5.9 结论和未来工作
• 第六章 结束语
• 6.1 研究总结
• 6.2 研究展望
• 参考文献
• 粗糙集文献
• 贝叶斯网络文献
• 致谢
• 攻读博士学位期间撰写发表的论文
• 附页