基于GEP的函数关系挖掘及其在数据滤波中的应用

摘要

该文主要工作如下:,(1)分析了从样本数据中发现所蕴含的函数关系这一特殊知识发现形式的特点和难点.(2)提出了一种高效,健壮的函数关系挖掘方法GEPFM(GEP based Function Mining).GEPFM通过基于基因表达式编程(GEP)的UEM和MEM搜索算法确定所求函数的形态,并有效地处理函数的分域特性.(3)在Windows2000上用C++实现了交互式韵GEP实验平台GEPxP(GEP Experiment Platform).该系统能够在不同的参数设置情况下对各种样本数据进行函数关系表达式挖掘,并可对有误差样本数据进行滤波估计.论文涉及程序量3000余行代码.(4)在GEPxP上进行了大量的实验.实验结果显示,GEPFM方法在采用较高变异概率时具有很好的性能,对于不同的目标函数,挖掘成功率可以达到20﹪~80﹪,且运行时间较短,平均成功挖掘耗时在10秒以内.对有误差样本数据进行滤波的实验也取得了很好的效果,数据均方误差在滤波后明显降低,甚至接近于0.

目录

文摘

英文文摘

0引言

1数据挖掘综述

1.1数据挖掘及其任务

1.2数据挖掘的流程

1.3数据挖掘的分类

1.4数据挖掘与专家系统、OLAP的区别

2基于GEP的函数关系挖掘方法

2.1函数关系表达式发现的特点

2.2遗传算法

2.2.1遗传算法的基本思想

2.2.2遗传算法的基本原理

2.3 GEP与传统遗传算法的比较

2.4 GEPFM一致表达式的发现

2.4.1 GEPFM编码

2.4.2 GEPFM适应度函数的设计

2.4.3 GEPFM遗传操作

2.4.4 UEM算法

2.5 GEPFM分域表达式挖掘

2.5.1分域边界的确定

2.5.2分域的合并

2.6复杂度和性能的理论分析

3基于函数关系挖掘的数据滤波

3.1 α-β滤波

3.2预测函数和增益

4 GEPxP的系统实现

4.1系统结构

4.2用户界面和输入输出

4.3一些主要功能模块的实现

4.3.1 CGene类

4.3.2 FuncMiner

4.3.3 DataFilter

4.4数据产生器

5实验和性能分析

5.1实验环境

5.2函数关系挖掘实验

5.2.1适应度函数对挖掘的影响

5.2.2交叉和变异概率对挖掘的影响

5.2.3系统性能对比分析

5.3数据滤波估计实验

6结束语

参考文献

本文作者在攻读硕士学位期间发表的文章

声明

致谢