面向多特征集成的?；７椒捌鋺醚芯?pdf

1、隨著互聯(lián)網技術的迅猛發(fā)展,特別是近年來云計算、物聯(lián)網、社交網絡等新興服務的快速普及,人類社會產生的數(shù)據規(guī)模正以一種前所未有的速度增長.從大規(guī)模復雜數(shù)據中,以應用需求為目標,挖掘有效的信息已經成為現(xiàn)代科技發(fā)展的主要驅動力.然而,現(xiàn)代數(shù)據具有描述的多樣性、來源的廣博性、結構的復雜性、增長的飛速性等典型特征,探尋如何從規(guī)模龐大且復雜異構的數(shù)據中獲取蘊含的深層信息和隱含知識,相對于傳統(tǒng)的數(shù)據挖掘與知識發(fā)現(xiàn)任務而言,顯得任重而道遠且極具挑戰(zhàn)性.<

2、br>　　目前很多大規(guī)模復雜數(shù)據處理方法中,分而治之是一種能被廣泛接受的策略,即先采用適當?shù)某闃踊蚍謱蛹夹g對復雜數(shù)據進行合理的“分割”,再建立高效的學習機制對各部分數(shù)據進行針對性地處理,該策略體現(xiàn)了人類面臨復雜問題時所擁有的多粒度認知能力.但粒度世界的多樣性致使有關多粒度的研究面臨計算復雜度高、對指定目標特性掌握不夠、缺乏足夠的融合思想與動態(tài)學習能力等嚴峻挑戰(zhàn),鑒于此,本文將在復雜數(shù)據背景下,分別從標記多特征空間的信息?；?shù)多特征空

3、間的分類器設計、多特征空間的融合學習方法等方面來探索高效的多粒度信息粒化技術,并以此為基礎發(fā)展新的多粒度建模與知識獲取方法.具體而言,本文的研究內容和創(chuàng)新性成果主要在于:
　　(1)單標記下的特征空間轉換策略與粗糙數(shù)據分析.有關粗糙集的研究大多建立在原始特征空間之上,并未考慮具有不同決策類別的樣本可能擁有自身特定的性質,而這些特性往往有助于產生更為精準的規(guī)則.為此,本文針對決策系統(tǒng)中不同的決策類,提出了一種能夠反映各個決策類性質的

4、多特征空間轉換策略,并給出了多特征空間下決策系統(tǒng)近似質量和條件熵的定義方法,有效地降低了決策系統(tǒng)的不確定性程度,提升了分類性能.
　　(2)多標記下的特征空間轉換策略與粗糙數(shù)據分析.考慮到不同標記可能會帶有其自身的一些特性,故為多標記學習構建類屬特征空間顯得尤為重要.然而,類屬特征空間的構建可能導致特征空間維度的增加,且含有大量冗余信息.為了緩解該不足,本文借助模糊粗糙近似約簡的思想,提出了兩種基于類屬特征空間維度約簡的多標記學習

5、方法,即: FRS-LIFT和 FRS-SS-LIFT.其中, FRS-SS-LIFT在FRS-LIFT的基礎上,采用了樣本選擇策略,大幅降低了維度約簡的時間消耗.相關實驗結果驗證了本文算法在提升多標記學習系統(tǒng)預測性能的可行性和高效性.
　　(3)參數(shù)化特征空間下的協(xié)同分類方法.在鄰域粗糙集模型中,隨著信息粒尺寸的增長,基于多數(shù)投票原則的鄰域分類器容易對未知樣本的類別產生誤判.為了緩解該不足,本文借助協(xié)同表達的思想,提出了一種鄰域

6、協(xié)同分類器NCC.該算法在未知樣本的鄰域空間內,通過協(xié)同表達的方式找出與未知樣本具有最小重構誤差的類別作為預測的類別標記.相關實驗結果在驗證本文算法能夠提升較大尺寸信息粒下鄰域分類器分類性能的同時,也表明該算法是一種降低傳統(tǒng)CRC算法時間消耗的有效手段.
　　(4)多特征空間融合策略下的蛋白質結構類型預測方法.本文針對生物信息學中蛋白質二級結構類型的預測問題,先從 PseAAC和 PsePSSM兩個視角抽取了蛋白質序列的特征,并將