| 【中文题名】 | 基于GEP的贝叶斯网络在数据挖掘模型优化中的应用 |
| 【英文题名】 | Bayesian Network Based on Gene Expression Programming and Its Application in Data Mining |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-1-12 |
| 【中关键词】 | 基因表达式编程,符号回归,模拟退火,并行算法,贝叶斯网络,分类 |
| 【英关键词】 | Gene Expression Programming,Symbolic Regression,Simmulated Annealing,Parallel algorithm,Bayesian Network,Classification, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 数据挖掘(Data Mining)是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。随着通讯技术的发展和计算机技术的普及，“数据爆炸而知识贫乏”问题的日渐突出，人们对数据分析工具的需求越来越强烈，而数据挖掘的出现为这一需要提供了有力的技术支持。
人们已逐渐认识到数据挖掘技术能将原始数据转换为有意义的形式，从中挖掘潜在蕴含的科学知识，具有巨大商业价值，从最初的商业应用到现在，数据挖掘已逐渐扩展到医疗、金融、生物、电信、军事、体育等诸多领域。经过十多年的发展，已经逐渐建立起系统的挖掘理论和成熟的挖掘技术，形成了以关联分析、分类、聚类分析、回归分析等为主要形式的应用技术。
分类(Classifier)是从训练数据找出一个类别的概念描述，它描述了这类数据的整体信息，依据概念描述来建立分类器，并用该模型来预测新的数据所属类，它是数据挖掘的主要分支之一。本文以遗传进化算法和贝叶斯推理为出发点，研究了他们的混合模型在分类中的应用。
遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律... |
| 【论文题纲】 |
|
研究生学位论文原创性声明 |
4-5 |
|
作者简介 |
5-7 |
|
摘要 |
7-9 |
|
ABSTRACT |
9-13 |
|
第一章 绪论 |
13-16 |
|
§1.1 论文选题及其研究意义 |
13-14 |
|
§1.2 选题的国内外研究现状 |
14-15 |
|
§1.3 论文的主要研究内容 |
15-16 |
|
第二章 基因表达式编程简介 |
16-27 |
|
§2.1 遗传算法的基本框架 |
16-18 |
|
§2.2 遗传算法的三个研究方向 |
18-19 |
|
§2.3 基本遗传算法的编码方式 |
19 |
|
§2.4 遗传程序设计的编码方式 |
19-20 |
|
§2.5 基因表达式的编码方式 |
20-27 |
|
2.5.1 基因表达式的求值 |
22-23 |
|
2.5.2 选择算子 |
23 |
|
2.5.3 重组算子 |
23-25 |
|
2.5.4 变异算子 |
25 |
|
2.5.5 转座和插入序列元素算子 |
25-27 |
|
第三章 基因表达式编程的应用研究 |
27-40 |
|
§3.1 基因表达式编程的算法流程 |
27-28 |
|
§3.2 基于VC和Matlab平台的基因表达式算法实现示例 |
28-30 |
|
§3.3 基因表达式在瓦斯涌出量中的应用研究 |
30-32 |
|
3.3.1 用GEP对预测问题建模 |
30-31 |
|
3.3.2 GEP和GP建模的比较分析 |
31-32 |
|
§3.4 模拟退火算法简介 |
32 |
|
§3.5 基于模拟退火的基因表达式编程算法 |
32-33 |
|
§3.6 基于MPI的并行基因表达式编程算法 |
33-34 |
|
§3.7 基于MPI的并行基因表达式编程算法的仿真实验 |
34-39 |
|
3.7.1 MPI平台安装和设置 |
34-36 |
|
3.7.2 仿真实验数据 |
36 |
|
3.7.3 遗传操作和适应度函数的选取 |
36-37 |
|
3.7.4 实验结果及分析 |
37-39 |
|
§3.8 小结 |
39-40 |
|
第四章 贝叶斯网络的简介 |
40-47 |
|
§4.1 贝叶斯网络的理论基础和应用 |
40-41 |
|
4.1.1 贝叶斯理论 |
40-41 |
|
4.1.2 贝叶斯理论的应用 |
41 |
|
§4.2 朴素贝叶斯网络 |
41-43 |
|
§4.3 贝叶斯网络的三个研究方向 |
43-46 |
|
4.3.1 基于属性选择的朴素贝叶斯网络 |
44 |
|
4.3.2 基于属性依赖的扩展贝叶斯网络 |
44-45 |
|
4.3.3 基于实例学习的贝叶斯网络 |
45-46 |
|
§4.4 小结 |
46-47 |
|
第五章 基于GEP的贝叶斯网络在数据挖掘模型优化中的应用 |
47-56 |
|
§5.1 Weka平台简介 |
47-48 |
|
§5.2 基于GEP的贝叶斯网络的编码方式 |
48-50 |
|
§5.3 基于GEP的贝叶斯网络的算法 |
50-55 |
|
5.3.1 算法的适应度函数的选择 |
50 |
|
5.3.2 遗传操作算子的选择 |
50-51 |
|
5.3.3 算法参数设置 |
51 |
|
5.3.4 算法流程 |
51-52 |
|
5.3.5 UCI数据分类精度结果 |
52-55 |
|
§5.4 小结 |
55-56 |
|
第六章 总结 |
56-57 |
|
致谢 |
57-58 |
|
参考文献 |
58-61 |
|
| 【DOI】 | LunWen.ID:2.2008.388303 |
