子空间融合细粒度演化超网络简析.docVIP

分类号 TP391.4 密级 公开 重庆邮电大学硕士学位论文 论文题目 子空间融合细粒度演化超网络 英文题目 Fine-Grain Hypernetworks with Subspace Fusion 硕士研究生 张军 指导教师 王进 教授 学科专业 计算机应用技术 论文提交日期 论文答辩日期 论文评阅人 答辩委员会主席 2014年3月30日 独创声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得 重庆邮电大学 获其他教育机构的学位或证书而使用过的材料。与我一同工作的通知对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名： 签字日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解 重庆邮电大学 有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查询和借阅。本人授权 重庆邮电大学 可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后使用本授权书） 学位论文作者签名： 导师签名： 签字日期： 年 月 日 签字日期： 年 月 日 摘 要 超网络是受分子网络启发而提出的一种可以实现并行联想记忆功能的模型。首尔大学的B T zhang教授从超图的视角重新定义了这一新颖的认知学习和记忆模型。通过为超边赋予不同的权重，实现对输入模式空间数据分布进行拟合的概率图模型。超边不同于一般图形中边的概念，其包含的顶点数可以多于两个。从分子网络的视角，超边相当于分子的概念，其包含的特征相当于原子，因此超边可以看作特征间的高价交互编码，代表了特征间的高阶关联性。超网络作为分类器，超边转化为分类规则，通过匹配操作实现对模式的分类。高阶关联性的超边具有越高的权重分类精度越高。目前超网络模型已经在疾病诊断、多模态信息检索、股票预测等方面取得很好的成绩。 由于超网络模型提出的时间较晚，对其研究工作还不充分、理论框架不够成熟、在实际的运用中存在一些问题。作为概率图模型，超边的匹配概率越高则进行分类时对输入模式空间数据分布的拟合效果越好，取得的分类性能越优。对于连续数据的输入模式，任意的特征组合有无穷多的表现形式，即存在无穷多包含该特征组合的超边，导致超边仅对生成样本匹配，而对未知样本难以匹配的问题，使传统的超网络难以在连续数据中应用。传统的超网络模型为简化自身，将超边的匹配操作定义为严格匹配，要求模型的输入数据为离散的二值化数据。连续数据直接离散为二值化数据，存在较高的信息损失率，影响模型分类性能的提升。在传统的超网络模型初始化时期，超边包含的特征采用随机值。在任意的输入模式下，超边规模会随着特征维度的增加而指数增长，使模型后续的演化过程受迭代学习前超边库的影响越大。传统的超网络模型初始化过程影响模型的性能，特别是对于采用梯度下降演化学习的超网络模型，对初始化超边的质量具有更高的依赖，从而影响模型的泛化性能提升。 针对传统超网络模型要求输入二值化数据存在高信息损失率的问题，本文设计了细粒度演化超网络模型。使输入的数据不再局限于二值化数据，可以具有更多的取值区间，降低数据离散化的信息损失，增加模型信息熵，提升拟合效果。为平衡特征粒度的细化与模型复杂度之间的矛盾，对超边的匹配操作采用模糊匹配方式，有效地解决了这一矛盾。针对传统的演化超网络泛化性受超边初始化影响而较低的问题，本文设计了子空间融合细粒度演化超网络。将子空间概念引入到细粒度演化超网络模型中，超边包含的特征空间看作为输入模式空间的子空间，采用子空间的超边覆盖，极大地减弱了模型对初始化的依赖。对子空间全覆盖而生成的超边簇，包含了子空间中全部的超边类型并引入了样本之间的关联信息，从而增强超边对未知样本的预测能力，大大提高了模型的泛化能力。该模型包含三个子算法：子空间划分算法、子空间超边生成算法、子空间融合算法。因超边对子空间进行了全覆盖，故演化学习采用梯度下降学习算法。 关键词：模式识别；演化超网络；细粒度；演化学习；子空间；微阵列 Abstract Hypernetwo