人工蜂群算法优化感知机

摘要

我们已经进入了大数据时代，它是一个可用信息大爆炸的时期，为现代社会发展提供了极好的机遇，未来各行业的核心竞争力在很大程度上依赖于将大数据转化为信息和知识的速度和能力，这取决于数据分析和应用水平，任何国家或地区要想获得竞争优势，大数据分析与挖掘是一个极具战略价值的领域。但由于大数据的高维特性和海量样本给数据分析带来了极大的挑战，表现在三个方面：第一、高维特征带来噪声污染，伪相关，非齐性；第二、高维度和海量样本引起算法不稳定和巨大的计算花费；第三、不同的时间点上用不同的处理方法处理多源聚合的海量样本，带来了非齐性、实验变异和统计偏差等热点问题。为处理大数据的挑战，现有的统计方法和计算方法已经不再适用，急需新的统计方法和稳定的快速算法。
　　很多的机器学习算法用于大数据的分析与处理，如支持向量机用于银行、电信、企业的顾客分类，避免了数据的高维特征带来的困难。支持向量机的思想来源于感知机，感知机是从训练数据集学习分离超平面，把训练数据集分为正类和负类。但学习的分离超平不唯一，原因是由于感知机迭代算法与初始迭代点的选取和迭代终止条件有关，使得感知机的泛化能力不是太好。论文把蜂群智能算法引入感知机的学习算法中，构建了感知机的迭代损失函数。该损失函数反映的是误分类点的个数。为与蜂群算法吻合，将迭代损失函数反号作为蜂群算法的适应度函数，蜂群算法优化感知机分离超平面的过程就是最大化适应度函数。
　　实验结果表明：蜂群优化算法得到的分离超平面的分类效果优于传统的感知机。

目录

1 绪 论

1.1 国内外研究现状

1.2 研究的意义及本文的思路

1.3 论文的组织

1.4本章小结

2 统计学习

2.1 统计学习的概述

2.2 分类

2.3 本章小结

3 感知机

3.1 感知机算法模型

3.2 感知机的学习策略

3.3 感知机学习算法

3.4 本章小结

4 人工蜂群算法

4.1 人工蜂群算法的生物背景

4.2人工蜂群算法的基本原理

4.3人工蜂群算法步骤

4.4 本章小结

5 蜂群感知机算法

5.1蜂群感知机模型

5.2蜂群感知机基本理论

5.3 蜂群感知机具体步骤流程

5.4 本章小结

6 算法检验

6.1汽车引擎分类实例数据检验

6.2模拟数据分类检验

7 总结与展望

7.1 本文总结

7.2 进一步展望

致谢

参考文献

附录

A. 作者在攻读硕士学位期间发表的论文目录