基于商空间的构造性数据挖掘方法及应用

摘要

该文展开了一系列的研究探讨,主要工作包括:1. 分析这类问题求解的一种可行方案是:用商空间法来合理地对复杂问题进行粒度描述,分解复杂问题为可求解的.提出对分解后的不同粒度的子问题,引入构造性机器学习方法首先获取不同粒度的学习规则,然后再合成相关的规则,最终得到复杂问题的综合规则.2.针对相同粒度中如何得到学习规则问题,提出了多侧面递进MIDA的基本框架,对原有的超球面覆盖算法进行了必要的改进.指出了覆益方法最优之处在于覆盖领域完全真实地反映了样本的分布情况,给出了在此方法中需要进一步研究的三个问题.第一个是对该算法识别的正确率与泛化能力之间矛盾的解决,利用没有被任何覆盖领域覆盖的样本(即拒识向量),引入了多侧面递进的处理方法MIDA(Multisideincreasingbydegreesalgorithm).第二个是如何改进覆盖方法,使得覆盖领域可以识别噪音(即异动向量),为此引入了覆盖领域涵盖的向量个数为识别中的权值.第三是如何减少所得到的覆盖领域的数目,为此引入了重复覆盖方法RCA(Repeatcoveralgorithm)和去除覆盖领域过小的方法,这有利于提高网络的泛化能力.一个值得研究的方案是将覆盖的思想(或基于覆盖的对数据的描述方法)应用于特征选择的主分量分析,为此,引入点对的概念,提出了点对主分量分析方法DPCAA(Double-pointPrincipalComponentAnalysisAlgorithm).3.在商空间模型中,利用商拓扑形成的多数据源,提出了一种新的概率决策型数据挖掘规则算法DDMR.作者认为:对于高维海量数据的对象,用多侧面递进方法进行划分、分解,使它由难变易:而对于多表描述的复杂的数据库或数据仓库,则可认为是给定了多侧面的一个复杂对象,因此,在商空间的模型下,两者可用相同的方法分析、处理、识别.

目录

文摘

英文文摘

第一章:概述

§1.1:商空间模型及粒度分析

§ 1.2:模式识别与机器学习

§ 1.3:构造性学习理论与方法

§ 1.4:基于商空间的构造性数据挖掘方法

§ 1.5:金融工程中时间序列特征识别的问题概述

§ 1.6:论文各部分的主要内容

第二章:基于覆盖算法的构造性神经网络

§ 2.1:构造性的神经网络

§ 2.2:覆盖算法的几何意义

§ 2.2.1:几何意义

§ 2.2.1:覆盖算法

§ 2.3:覆盖算法的理论分析

§ 2.3.1:样本集的选择与学习的顺序

§ 2.3.2:隐含层神经元数的降低

§ 2.3.3:泛化能力与识别精度

§ 2.4:算法的改进

§ 2.4.1:剔除特征显性不足的点对主分量分析算法DPCAA

§ 2.4.2:多侧面递进的学习算法MIDA

§ 2.4.3:重复覆盖算法RCA

§ 2.5:本章小结

第三章:商空间模型表示的决策型数据挖掘规则的方法(DDMR)

§3.1:商空间模型的对象分析和表示

§ 3.1.1:商空间的结构性质

§ 3.1.2:粒度的确定

§ 3.1.3:商空间的合成技术

§ 3.2.1:多数据表的结构

§ 3.2.2:商空间模型表示的决策型数据挖掘规则的算法（DDMR）

§3.3:粗糙集理论分析

§ 3.3.1:基本算法及其复杂度

§ 3.3.2:理论扩展

§3.4:商空间理论的特性

§ 3.4.1:基本算法及其复杂度

§ 3.4.2:理论扩展

§ 3.5:本章小结

§第四章:DDMR算法在金融工程预测中的应用

§4.1:股票市场预测性分析

§ 4.2:时间序列的预测问题

§ 4.3.1:时间序列的构成

§ 4.3.2:交易量序列的构成

§ 4.3.3:归一化

§4.4: DDMR在股市预测中的应用

§ 4.4.1:时间序列预测

§ 4.4.2:交易量序列预测

§ 4.5:结论与分析

§第五章:结论与展望

§ 5.1:结论

§ 5.2:创新点

§5.3:展望

§参考文献

§致谢

§攻读博士学位期间从事的科研工作及发表的论文