基于多模态优化和集成学习的模糊认知图学习方法及应用研究

基于多模态优化和集成学习的模糊认知图学习方法及应用研究

论文摘要

模糊认知图(Fuzzy Cognitive Maps,FCMs)作为一种结合了模糊逻辑理论和神经网络的智能软计算方法,被广泛地应用在复杂系统的建模与分析方面。我们可以通过学习模糊认知图来挖掘复杂系统内各个单元之间潜在的相互作用关系,并且通过加权图的形式对挖掘到的作用关系进行展示,从而来完成对复杂系统的建模与分析。近几年,许多学者研究并提出了基于进化计算学习模糊认知图的算法,基于进化计算的模糊认知图学习算法有两个明显的优势,第一个是在学习的过程中可以避免对专家先验知识的依赖,第二个是算法可以实现自动化地学习模糊认知图。针对学习模糊认知图的问题,本文主要从模糊认知图模型的设定、目标函数的设计和学习优化过程进行深入研究,从而提升模糊认知图的学习效率。下面是本文主要工作的总结:1.提出了基于集成学习方法和实数编码遗传算法的模糊认知图学习算法。我们将集成学习的思路引入到了模糊认知图学习中,提出了对于数据拟合能力更强的基于Boosting的模糊认知图模型,然后用实数编码遗传算法来学习基于Boosting的模糊认知图模型。在实验部分,我们用人工合成的时间序列数据来测试算法性能,同时我们将算法应用到了基因调控网络重建中,实验结果说明,该算法可以有效地解决模糊认知图学习问题。2.提出了基于收敛和多智能体进化算法的模糊认知图学习算法。我们针对模糊认知图学习问题提出了基于收敛现象的目标函数,并通过优化基于收敛现象的目标函数来学习模糊认知图。在实验部分,我们用人工合成的时间序列数据来验证算法学习模糊认知图的效果,结果说明,此算法对于解决模糊认知图学习问题是有效的。同时,我们将算法应用在基因标准数据集上,实验结果说明,此算法对于基因调控网络重建问题同样是有效的。3.提出了基于多模态优化和多智能体进化算法的模糊认知图学习算法。在提出的算法中,我们将多模态优化引入到了模糊认知图学习问题中,从而提高模糊认知图学习优化过程的效率。在实验部分,我们通过人工合成的时间序列数据验证了此算法学习模糊认知图的性能。同时,我们在基因调控网络重建标准数据集DREAM3和DREAM4上进行验证,结果说明此算法对基因调控网络重建问题是有效的,而且与现有的一些算法比较,此算法具有较好的性能。

论文目录

  • 摘要
  • ABSTRACT
  • 符号对照表
  • 缩略语对照表
  • 第一章 绪论
  •   1.1 研究意义与背景
  •   1.2 模糊认知图的学习
  •   1.3 模糊认知图学习中的三个要素
  •   1.4 论文结构安排
  • 第二章 模糊认知图理论基础
  •   2.1 模糊认知图的简介
  •   2.2 模糊认知图与时间序列的关系
  • 第三章 基于集成学习和实数编码遗传算法的模糊认知图学习方法
  •   3.1 引言
  •   3.2 基于Boosting的模糊认知图模型
  •   3.3 基于集成学习方法和实数编码遗传算法的模糊认知图学习
  •   3.4 实验仿真以及结果分析
  •     3.4.1 性能评价函数
  •     3.4.2 人工数据的实验
  •     3.4.3 基因调控网络数据的实验
  •   3.5 本章小结
  • 第四章 基于收敛现象和多智能体进化的模糊认知图学习方法
  •   4.1 引言
  •   4.2 基于收敛现象的模糊认知图学习问题建模
  •   4.3 基于收敛现象和多智能体进化的模糊认知图学习方法
  •   4.4 实验仿真以及结果分析
  •     4.4.1 参数设计和性能评价函数
  •     4.4.2 人工数据的实验
  •     4.4.3 基因调控网络数据的实验
  •   4.5 本章小结
  • 第五章 基于多模态优化和多智能体进化的模糊认知图学习方法
  •   5.1 引言
  •   5.2 基于多模态优化和多智能体进化的模糊认知图学习方法
  •     5.2.1 问题建模
  •     5.2.2 算法流程
  •   5.3 实验仿真以及结果分析
  •     5.3.1 参数设计和性能评价函数
  •     5.3.2 人工数据的实验
  •     5.3.3 基因调控网络数据的实验
  •   5.4 本章小结
  • 第六章 总结与展望
  •   6.1 本文工作总结
  •   6.2 未来工作展望
  • 参考文献
  • 致谢
  • 作者简介
  • 文章来源

    类型: 硕士论文

    作者: 杨泽

    导师: 刘静

    关键词: 模糊认知图,集成学习,多模态优化,多智能体进化算法,实数编码遗传算法,基因调控网络

    来源: 西安电子科技大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术

    单位: 西安电子科技大学

    分类号: O157.5;TP18

    DOI: 10.27389/d.cnki.gxadu.2019.002394

    总页数: 76

    文件大小: 5597K

    下载量: 83

    相关论文文献

    • [1].选择性集成学习模型在岩性-孔隙度预测中的应用[J]. 科学技术与工程 2020(03)
    • [2].基于异质集成学习的虚假评论检测[J]. 山东大学学报(工学版) 2020(02)
    • [3].基于标记分布学习的异态集成学习算法[J]. 模式识别与人工智能 2019(10)
    • [4].集成学习方法:研究综述[J]. 云南大学学报(自然科学版) 2018(06)
    • [5].基于动态选择性集成学习的供应链产销协商优化策略[J]. 计算机工程 2017(05)
    • [6].集成学习中预测精度的影响因素分析[J]. 兵工自动化 2019(01)
    • [7].基于集成学习的小麦识别研究[J]. 现代商贸工业 2019(17)
    • [8].集成学习在文本分类问题中的应用[J]. 中国新通信 2018(09)
    • [9].基于漂移检测和集成学习的木马检测模型[J]. 信息工程大学学报 2017(06)
    • [10].异质集成学习器在鸢尾花卉分类中的应用[J]. 电子制作 2019(02)
    • [11].集成学习方法研究[J]. 计算技术与自动化 2018(04)
    • [12].基于集成学习的房价预测方法研究[J]. 中国新通信 2019(07)
    • [13].异质集成学习器在鸢尾花卉分类中的应用[J]. 中国设备工程 2018(20)
    • [14].基于超声特征集成学习的甲状腺结节分类方法研究[J]. 智能计算机与应用 2016(06)
    • [15].基于选择性集成学习的焊接缺陷识别研究[J]. 中国矿业大学学报 2011(06)
    • [16].选择性集成学习算法综述[J]. 计算机学报 2011(08)
    • [17].核机器集成学习算法的误差分析[J]. 重庆文理学院学报(自然科学版) 2010(04)
    • [18].基于集成学习的复杂网络链路预测及其形成机制分析(英文)[J]. 重庆邮电大学学报(自然科学版) 2020(05)
    • [19].集成学习算法在中医证型分类预测中的应用[J]. 计算机工程与科学 2019(02)
    • [20].一种基于集成学习的科研合作者潜力预测分类方法[J]. 计算机研究与发展 2019(07)
    • [21].一种新颖的多实例集成学习算法[J]. 蚌埠学院学报 2018(05)
    • [22].基于重采样策略的选择性谱聚类集成学习算法[J]. 科学技术与工程 2013(19)
    • [23].个人信用评估应用方法分析——基于集成学习算法视角[J]. 经济问题 2011(12)
    • [24].面向神经机器翻译的集成学习方法分析[J]. 中文信息学报 2019(03)
    • [25].面向不均衡数据的动态抽样集成学习算法[J]. 计算机应用与软件 2019(06)
    • [26].基于集成学习的公交车辆到站时间预测模型研究[J]. 重庆理工大学学报(自然科学) 2019(10)
    • [27].基于集成学习的温室育种智能决策算法[J]. 西南科技大学学报 2017(04)
    • [28].人工智能集成学习方法在入侵检测中的运用[J]. 信息技术与网络安全 2018(02)
    • [29].一种异构集成学习的儿科疾病诊断方法研究[J]. 计算机应用与软件 2018(06)
    • [30].基于聚类优化覆盖的集成学习方法[J]. 计算机技术与发展 2010(11)

    标签:;  ;  ;  ;  ;  ;  

    基于多模态优化和集成学习的模糊认知图学习方法及应用研究
    下载Doc文档

    猜你喜欢