基于相似性学习的智能决策方法研究

发布时间：2017-08-25 15:49

  本文关键词：基于相似性学习的智能决策方法研究

  更多相关文章： 智能决策 相似性学习 支持向量机 k近邻 集成学习 余弦相似性

【摘要】：决策理论是管理科学和经济学的重要分支。所谓决策,是指为达到最优目标,对若干个备选方案进行选择的过程。在传统的决策中,决策的准确度很大程度上依赖于决策者的决策水平,而决策者必须经过长时间的经验累积才能达到足够丰富的决策水平,并且决策者在决策的过程中很容易会受到外界因素和主观因素的干扰。因此,准确而客观的定量分析方法对于决策的科学性有着重要的意义。大多数决策问题都可以归结为机器学习的典型问题,如分类问题及度量问题。本文采用机器学习的方法,根据已有数据建立智能决策模型,尽可能减少决策者因外界因素干扰或经验不足等因素而导致的不合理决策。相似性学习在机器学习领域占有一席之地,是一种非常符合人类认知规律的学习方式。本文对相似性学习的理论和方法进行研究,并将其引入到智能决策中。主要工作包括以下内容:提出了基于支持向量机相似性学习的智能决策方法。相似性学习是基于样本对的学习,因而构造样本对是相似性学习的第一步。传统的样本对构造方法是将数据集中任意两个样本组成一个样本对。当数据集规模较大时,构造样本对需要花费一定的时间,并且大量的样本对不利于后续处理。本文采用k近邻方法构造样本对,可以大大减少样本对的数量,并且生成的样本对更有学习价值。实验证明,该方法不仅大大加快了算法的速度,还能提高算法的精确度。提出了基于支持向量机相似性集成学习的智能决策方法。众所周知,集成学习能够提高单个分类器的性能。本文将集成学习引入支持向量机相似性学习算法中,提出了基于支持向量机相似性集成学习的智能决策方法。实验证明该方法相比于基于支持向量机相似性学习的智能决策方法,不仅可以提高算法的精度,还可以增强算法的稳定性。提出了基于余弦相似性的改进型TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)的供应商选择方法。供应商选择问题是一个多属性决策问题,可以采用TOPSIS方法解决。在传统的TOPSIS方法中,使用欧氏距离度量属性空间中的备选方法与正负理想解之间的距离。然而,当不同属性变量之间存在线性关系时,欧氏距离不再适用。余弦相似性是一种常用的相似性度量方式。当不同属性之间的量纲不一致或者存在一定的线性关系时,余弦相似性相比于欧氏距离具有更好的优势。在供应商选择上的实验表明,该方法简单有效,切实可行,其结果也客观合理。
【关键词】：智能决策 相似性学习 支持向量机 k近邻 集成学习 余弦相似性
【学位授予单位】：苏州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP181;C932
【目录】：

• 中文摘要4-6
• Abstract6-10
• 第一章 绪论10-19
• 1.1 研究背景与意义10-11
• 1.2 智能决策方法研究进展11-17
• 1.2.1 智能医疗诊断方法研究进展11-14
• 1.2.2 金融风险预测方法研究进展14-16
• 1.2.3 供应商选择问题研究进展16-17
• 1.3 问题提出与内容安排17-19
• 第二章 相关基础知识19-26
• 2.1 支持向量机19-23
• 2.1.1 线性可分支持向量机20-21
• 2.1.2 非线性支持向量机21-22
• 2.1.3 不可分情况的处理22-23
• 2.2 相似性学习方法23-25
• 2.3 小结25-26
• 第三章 基于SVM相似性学习的智能决策方法26-41
• 3.1 支持向量机相似性学习算法26-28
• 3.2 基于SVM相似性学习的智能决策方法28-29
• 3.3 实验比较29-40
• 3.3.1 人工数据集30-33
• 3.3.2 医疗诊断33-37
• 3.3.3 个人信用评估37-40
• 3.4 小结40-41
• 第四章 基于SVM相似性集成学习的智能决策方法41-56
• 4.1 集成学习41-45
• 4.1.1 集成学习基本概述41-42
• 4.1.2 基学习机的构造方法42-43
• 4.1.3 基分类器的组合方法43-45
• 4.2 基于SVM相似性集成学习的智能决策方法45-48
• 4.2.1 构造基支持向量机45-46
• 4.2.2 合并基支持向量机结果46-48
• 4.3 实验结果48-55
• 4.3.1 医疗诊断49-52
• 4.3.2 个人信用评估52-54
• 4.3.3 本章方法与第三章方法实验结果比较54-55
• 4.4 小结55-56
• 第五章 基于余弦相似性的改进型TOPSIS的供应商选择方法56-64
• 5.1 TOPSIS法56-59
• 5.1.1 传统TOPSIS法56-57
• 5.1.2 基于马氏距离的TOPSIS法57-59
• 5.2 基于余弦相似性的改进型TOPSIS法59-60
• 5.3 实验结果60-63
• 5.4 小结63-64
• 第六章 总结与展望64-66
• 参考文献66-78
• 攻读硕士学位期间主要的研究成果78-80
• 科研情况78
• 论文78
• 专利78-79
• 软件著作权79-80
• 致谢80-81

【参考文献】

中国期刊全文数据库 前2条

1 谢娟英;雷金虎;谢维信;高新波;;基于D-score与支持向量机的混合特征选择方法[J];计算机应用;2011年12期

2 邵虹,崔文成,张继武,赵宏;医疗诊断专家系统研究进展[J];小型微型计算机系统;2003年03期

，

本文编号：737283