基于概念格与流形学习的知识获取方法研究

摘要

随着科学技术的进步，各个领域的科研工作者能够获取的信息量越来越大。大量的信息给科学研究带来了数据处理上的困难，因此人们需要探讨一些信息处理的工具。从而人工智能领域内出现了数据挖掘这一新的研究领域。而形式概念分析作为一种有效的数据挖掘工具，由于其具有较强的代数结构，能够将概念之间的层次关系清晰地展现出来，而受到了人工智能工作者越来越多的关注。并且被广泛应用于知识获取和软件工程等领域。而流形学习作为一种知识获取工具，它能够有效地发现高维数据中内在的低维结构，同样成为机器学习领域内的研究热点。
　　本文首先将形式概念分析与人工神经网络进行了初步的融合;然后将流形学习算法应用到了高光谱图像的处理过程中。具体的工作成果如下:
　　(1)在形式背景和BAM神经网络模型之间建立了一种对应关系，并且证明了概念格中的概念结点与BAM神经网络模型中的稳态相对应。在这种对应关系的基础上，给出了由神经网络生成概念格中全部概念结点的算法，最后通过实例证实了该算法的有效性。
　　(2)首先将原始高光谱图像分割成流形学习算法可处理的小的图像块。然后将流形学习算法应用在图像块的降维中去。最后将得到的低维数据统一到同一个坐标系统下。为了证明流形学习算法的有效性，我们对降维后得到的数据进行了分类，从分类结果中可以看出流形学习算法的确可以发现高维光谱数据中存在的内在特征。

目录

摘要

第一章 引言

1．1 研究背景

1．2 形式概念分析简介

1．3 人工神经网络简介

1．4 论文的组织结构

第二章 预备知识

2．1 形式概念分析的基本概念

2．2 流形学习的基本概念

第三章 形式背景的BAM神经网络模型及模型上的概念生成

3．1 BAM神经网络

3．2 形式背景的BAM神经网络模型

3．3 基于模型的概念生成

3．3．1 BAM模型上的概念

3．3．2 基于模型的概念生成算法

3．4 试验实例及结果

3．5 本章小结

第四章 流形学习在高光谱数据降维中的应用

4．1 流形学习算法简介

4．2 高光谱图像的分解

4．3 实验方案及结果

4．4 本章小结

总结与展望

参考文献

攻读学位期间取得的研究成果

致谢

个人简况及联系方式

声明