树型混合学习模型及其应用研究(可复制论文).pdf

。为了特征维数的嵌入坐标空间中构建结构精简、识别性能优良的模型。近年来,同时具有符号模型缇霾呤的可理解性及非符号模型缟窬络稍谙哐暗幕旌涎澳P椭鸾コ晌DJ绞侗鹩肜斫饬煊虻囊桓鋈让趴翁猓它在生物医学、信息安全、故障诊断、面部表情分析等领域均显示了十分诱人的应用前景。本论文基于神经网络树和支撑向量机树,系统地研究了基于分而治之思想的树型混合学习模型的理论方法及应用,内容包括:针对连续特征输入情况提出一种基于特征自组织学习的神经网络树模型。在二值输入情况下,尽管每个专家神经网络的输入特征数很小,对连续特征问题的学习结果仍是难以解释的。为此,提出了一种基于特征自组织学习的神经网络树,并以餮笆菘庵泻卣鞯难炯@橹つP偷性能,实验结果表明提出的模型能够在保持识别精确率和不增加模型结构复杂度的同时,降低学习结果解释的空间复杂度。将基于特征自组织学习的神经网络树应用到入侵检测问题中。构建在库上的基于特征自组织学习的神经网络树模型获得了令人满意的训练和测试识别精确率,并从模型的学习结果中了解到对检测结果具有决定性影响的特征的信息。提出了一种基于混淆交叉的支撑向量机树学习模型J紫日攵愿丛模式二分类问题,结合树型结构分而治之的思想,以混淆交叉因子控制相邻子节点间样例的交叉,构建二分类模型;针对多分类问题,以启发式的方法产生教师信号,将二分类盯扩展为多分类R运菪丛佣分类问题和餮翱庵械亩喾掷嗍菁魑7抡媸菅橹P的性能,结果说明哂杏帕嫉姆夯阅芎徒细叩牟馐允侗鹁仿省解决高维特征空间中,每个中间节点学习结果可能包含冗余信息的问题,充分运用数据的类别信息,以及数据点之间的和各特征维之间的相互关系,本文分别采用两种训练方法实现基于有监督局部线性嵌入的支撑向量机树模型的构建。最后以餮笆菘庵械膐样本集为例验证和分析了模型的结构和分类性能,,提
知识水坝***@pologoogle为您整理
结构:,并具有较低的嵌入维数,而在训练和测试的效率上—更具优越性。将瓹、.τ玫矫娌勘砬樽远侗鹞侍庵小在数据预处理部分,我们研究了基于小波反卷积提高图像分辨率的方法,以及基于免疫算法的图像增强方法。以卡内基梅隆大学的—面部表情数据库为实验数据,结合伪矩的特征抽取方法,运用本文提出的三类学习模型实现面部表情自动识别,该方法与同类方法相比在识别精确率上有明显的优势,并且在非均衡分布样本集上的具有相对较强的识别鲁棒性。关键词:神经网络树,支撑向量机树,自组织学习,混淆交叉,局部线性嵌入,特征选择,入侵检测,面部表情自动识别。东南大学博士学位论文
知识水坝***@pologoogle为您整理
㈣.、,瓻甌..·畉瓵猯
——··—曲—,、Ⅳ琒狢瓺籥.,瑂...:,琹琭琲东南大学博士学位论文,
图索弓P偷慕峁故纠肌.、飞仃澳P徒峁故纠图P徒峁故纠图结构示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯图母鲅炯糠至卣鞯淖宰橹敖峁甆模型示例⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图窬缡髦屑浣诘闵系奶卣餮∮么问狈酵迹图谌肭旨觳馐菘馍瞎菇ǖ腟—P褪纠图每种攻击在各叶节点上识别率⋯⋯⋯⋯⋯⋯图嗔谧咏诘慵涞难煜徊妗⋯⋯图骼嘌胺椒ü菇ǖ姆掷喑娑员冉峁问浠阅P头掷嘈阅艿挠跋臁惴ɑ静街琛图二维流形局部线性嵌入结果示例⋯⋯⋯⋯⋯⋯..瓹模型结构示例⋯⋯⋯⋯⋯⋯⋯瓹㈨⋯图六种基本面部表情示例⋯⋯⋯⋯⋯⋯⋯⋯⋯图系统辨识算法步骤⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图谛〔ǖ奈删渎瞬ā图贑的面部表情自动识别示例⋯⋯⋯⋯.⋯.⋯Ⅵ⋯..⋯.⋯....⋯一⋯.,.....东南大学博士学位论文.
表索弓样本集的实验结果对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一癝P偷难盗泛筒馐越峁P脱盗泛筒馐缘慕峁瓹模型学习算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表中间节点上专家神经网络的优化过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表连续特征自组织学习算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表墓菇ㄋ惴ā表样本集参数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯衷甧炯氖笛榻峁员取样本集的实验结果对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.,炯氖笛榻峁员取表攻击种类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯∮玫奶卣骱鸵憬诘闶表二分类P脱八惴ā表双螺旋复杂分布模式分类的数值结果⋯⋯⋯