基于改進的極限學習機(ELM)的缺失數(shù)據(jù)填補方法研究.pdf_第1頁
已閱讀1頁,還剩89頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

1、隨著感知技術、網(wǎng)絡傳輸和存儲技術的不斷發(fā)展,數(shù)據(jù)的產(chǎn)生、收集和存儲能力大大提高,數(shù)據(jù)的規(guī)模以幾何級數(shù)方式迅猛增長。海量的數(shù)據(jù)為信息分析和挖掘帶來了巨大便利,同時也提出了巨大的挑戰(zhàn),其中數(shù)據(jù)缺失問題極大地影響數(shù)據(jù)的可用性,是數(shù)據(jù)質(zhì)量研究中的重點和難點問題之一。如何預測缺失數(shù)據(jù),準確還原物理世界的原始信息,用以支持高級的數(shù)據(jù)挖掘應用,具備重要的理論研究和實際應用價值。本文針對這一關鍵問題展開研究。主要工作如下:
  首先,本文利用極限

2、學習機(ELM)的回歸原理填補缺失數(shù)據(jù),針對待填補缺失數(shù)據(jù)集往往先驗知識不足,激活函數(shù)選擇困難,或待填補數(shù)據(jù)集本身復雜,難以選擇合適激活函數(shù)的問題,重點研究了基于改進的差分優(yōu)化算法自適應的選取激活函數(shù)的算法。該方法根據(jù)缺失數(shù)據(jù)填補問題的特點,改進了種群優(yōu)化算法,進而提出了適用于缺失數(shù)據(jù)填補的自適應的極限學習機(A-ELM)。并詳細介紹了自適應的極限學習機(A-ELM)填補缺失數(shù)據(jù)的可操作性及其填補步驟。
  然后,本文針對待填補缺

3、失數(shù)據(jù)集自變量間存在線性關系時,利用極限學習機(ELM)進行填補,求解廣義逆矩陣會導致準確率低甚至病態(tài)解問題,提出了嶺回歸極限學習機(B-ELM)。重點研究了基于廣義交叉驗證法選取嶺參數(shù)k的方法,嶺回歸極限學習機(B-ELM)能有效處理變量間有相關性的缺失數(shù)據(jù)集。并綜合總結(jié)出泛化性強、填補準確率較高的缺失數(shù)據(jù)填補工具自適應的嶺回歸極限學習機模型(AB-ELM-MD)。自適應的嶺回歸極限學習機模型(AB-ELM-MD)可以對那些無法確定激

4、活函數(shù)的不完備輸入數(shù)據(jù)集進行填補,同時可以以較高的準確率對各維度之間高度相關的不完備數(shù)據(jù)進行填補,也可以對綜合含有上述問題的不完備數(shù)據(jù)進行填補。
  最后,本文以兩組真實的高維DNA微陣列數(shù)據(jù)、一組真實的數(shù)據(jù)量較大的交通軌跡數(shù)據(jù)為例,利用支持向量機回歸機(SVR)方法、極限學習機(ELM)方法、自適應的嶺回歸極限學習機缺失數(shù)據(jù)填補模型(AB-ELM-MD),針對含有上述問題數(shù)據(jù)集,以不完備數(shù)據(jù)回歸的結(jié)果為基礎進行缺失數(shù)據(jù)的填補。證

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論