基于ELM的不確定圖分類算法研究與實現(xiàn).pdf

1、隨著生物信息學、化學情報學、Web分析等應用的廣泛普及，圖作為一種通用的數(shù)據結構，在復雜結構建模方面的重要性日益顯現(xiàn)。與確定圖相比，不確定圖能夠表達更加豐富的語義且能更好地表示數(shù)據本身固有的不確定性。具體而言，不確定性是指邊或頂點以一定的概率存在。近年來伴隨著對大量結構化數(shù)據分析需求的增長，圖的分類處理作為數(shù)據挖掘的重要組成部分，已成為數(shù)據庫和數(shù)據挖掘領域中的研究熱點之一。由于不確定性的存在，已有的分類算法不能直接應用于不確定圖數(shù)據的分

2、類問題。
　　基于此，圍繞如何解決不確定圖數(shù)據的分類問題，本文提出了一種基于ELM(Extreme Learning Machine)的不確定圖分類算法，主要研究內容如下：
　　首先，在系統(tǒng)介紹圖數(shù)據挖掘的特點、意義及應用背景的基礎上，給出了相關定義，并且對經典的頻繁子圖挖掘算法gSpan和高效的機器學習算法ELM進行了全面的分析、歸納和總結，為下一步的研究奠定了基礎。
　　其次，針對gSpan算法只能處理確定圖數(shù)據及

3、存儲結構不能滿足大規(guī)模圖集的問題，提出了一種改進的gSpan算法。通過挖掘子圖s在不確定圖集D中每個圖Gi中的所有內嵌圖，將每個圖中關于s的內嵌圖組織成一顆搜索樹，進而計算s在D中的支持度。用三層存儲結構代替原來算法中的鄰接表的存儲結構，在每次擴展頻繁子圖的時候不必將整個圖集都調入內存。
　　再次，將改進的gSpan算法挖掘的頻繁子圖作為特征的候選集，為了選取部分非冗余并且有辨別力的頻繁子圖小集合作為分類特征，本文提出了一種特征提