基于神经网络的分类器设计及优化

摘要

分类是农业数据挖掘的一项重要任务,分类器设计是决定分类性能的关键因素。随着我国数字化农业的发展,农业呈现出多样化和区域化的趋势,导致农业数据具有高维、动态、非线性、非稳定性等特点,农业分类问题的复杂程度不断增加。尤其是在处理小规模和大规模农业数据集这两个特殊问题时,传统的方法所建立的模型不能全面、科学和本质的反应农业数据的复杂特性,造成了信息量的丢失和分类准确性的不足,严重制约着农业数据分类研究的发展和进步。因此,针对不同规模农业数据的特点,构造更高效合理、有针对性的分类器,实现对农业数据的准确分类,对农业数据挖掘研究具有积极地推动作用。
　　本研究针对小规模和大规模农业数据的特点,在分析了传统方法经验与不足的基础上,提出基于神经网络分类器的设计与优化方法,重点解决农业数据分类中的三个关键问题——数据预处理环节的变量筛选问题,小规模数据的分类问题,大规模数据的分类问题,提出将神经网络与群体智能算法、云计算相结合的方法,实现对不同规模农业数据集的分类,并通过对比实验验证了方法的正确性和有效性。
　　本文研究的主要内容及取得的成果如下:
　　(1)研究了基于MIV的神经网络变量筛选方法。通过计算数据集中每个属性对于神经网络分类准确度的平均贡献值MIV,选取数据集中对神经网络建模效果显著的属性作为网络的输入变量,达到变量筛选、冗余消除的效果,提高分类准确性。
　　(2)针对样本数据量不足的情况,提出了小规模农业数据集的神经网络分类方法。研究将果蝇寻优算法与GRNN神经网络相结合,通过模拟果蝇的觅食行为,实现GRNN神经网络关键建模参数——平滑因子的自适应确定,完成对GRNN神经网络的优化,达到提升小规模数据集分类准确度的目的。
　　(3)针对大样本数据量的情况,提出了大规模农业数据集的神经网络分类方法。在对传统的BP-AdaBoost算法进行分析的基础上,结合云计算思想,给出了传统BP-AdaBoost算法的MapReduce并行化方法。将改进后的算法部署在Hadoop集群上,并通过三个对比实验,验证了该算法的可行性,它不仅能处理大规模数据集,而且降低了算法的时间复杂度,具有较好的加速比和准确性。
　　(4)设计了面向农业数据的神经网络分类系统。在Matlab2012(a)平台下,编程实现了系统的主要功能,验证了本文所提出方法的正确性和有效性,取得了良好的效果。
　　论文研究成果对于农业数据的分类理论和方法的深入研究,构造更精确、有效的农业数据分类器,对促进数字农业和精准农业发展,具有一定的研究价值和实际意义。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1研究背景及意义

1.2研究内容及论文结构

2 基于神经网络的分类理论

2.1 分类理论及实现过程

2.2 基于神经网络的分类理论

2.3 神经网络分类方法的改进及其现状

2.4 本章小结

3 基于MIV的神经网络变量筛选

3.1 引言

3.2 几种常见的变量筛选方法

3.3 基于MIV的神经网络变量筛选方法

3.4 实验及结果分析

3.5 本章小结

4 面向小规模农业数据集的神经网络分类方法

4.1 引言

4.2 GRNN神经网络

4.4 FOA-GRNN建模

4.5 实验及结果分析

4.6 本章小结

5 面向大规模农业数据集的神经网络分类方法

5.1引言

5.2 BP-AdaBoost算法

5.3 MapReduce编程模型

5.4 BP-AdaBoost算法的改进与特点分析

5.5 实验及结果分析

5.6 本章小结

6 面向农业数据的神经网络分类系统设计与实现

6.2技术实现

6.3各模块功能描述

6.4步骤流程

6.5系统实现与验证

6.6 本章小结

7 总结与展望

7.1 工作总结

7.2 未来研究工作展望

参考文献

致谢

个人简介

在读期间发表的学术论文、成果及科研工作情况已录用学术论文

附录A 图索引

附录B 表索引

Appendix A Figure Index

Appendix B Table Index