基于pso算法分类规则数据挖掘

《基于pso算法分类规则数据挖掘》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、山东大学硕士学位论文摘要粒子群最佳化算法&articleSwarmOptimization；PSO)为人工智能领域中的一项新兴技术，由1995年发展至今，已经逐渐被广泛地应用于最佳化问题与数据挖掘领域。本文将试图采用离散型的PSO算法来扮演规则挖掘算法限uleDiscoveryAlgorithm)的角色，并且结合完整的匹兹堡学说概念来表示个体，进一步结合USD离散化算法m’aldezeta1．，2002)，使分类算法能够同时处理离散型与连续型属性数据，而不需要事先将原始数据集中的连续型属性数据进行离散化后才加载分类算法中

2、。该算法也利用所提出的规则屏蔽限uleMask)的概念，利用附加的位(bi0来表示规则的状态，并利用以遗传算法结合匹兹堡学说来构建分类算法的相关研究(Janikow，1993；BacarditandGarreU，2003a)所使用的规则删减运算子(RuleDeletionOperator)以及最小叙述长度为基础的适应函数(MinimumDescripti0IlLength-basedFitnessFunction)这两种方法来达成粒子可变动长度的功能，使粒子的表示能更符合匹兹堡学说的原理。本文除了试图以另一种设计方式来构

3、建以PsO算法为基础的分类算法外，也提出了相关研究发展至目前为止所存在问题的解决方法，使PSO算法为基础的分类算法能有更佳完备的分类功能。实验结果显示，该算法可以使粒子具有可变动长度的特性，分类算法能够同时处理不同型态的属性数据。在分类准确率的比较方面，该算法所提出的分类算法已达到J48算法的分类水平，并且仅以较少的规则数目即可达到更高的分类效果，说明该算法具有较强的实用价值。粒子群最佳化算法于将近十年的发展中，各式各样的研究议题纷纷呈现，而山东大学硕士学位论文且显示出逐步成长的趋势。但仍然，相较于遗传算法等发展较为悠久

4、的演化式技术，粒子群最佳化算法于数据分类问题领域之中的发展仍尚未成熟，按然存在着很多切入点可以深入探讨，因此，本文也尝试提出一些至今尚待进一步研究的议题，供科研人员们在将来的研究中共同探讨。关键词：数据分类；粒子群最佳化算法；离散化；匹兹堡学说Ⅱ山东大学硕士学位论文ABSTRACTParticleSwarmOptimization(PSO)isanewoptimizationtechniqueintheartificialintelligencefield．Since1995，ithasbeengraduallyappl

5、iedinthefieldofoptimizationanddatamining．Inthispaper,weappliedthediscretePSOinthePittsburghapproachtobuildaPSO—basedclassifier．Wealsoproposetheconceptoftherulemaskandcombinetheruledeletionoperatorandthemininlunldescriptionlength-basedfitnessfunctiontomaketheparti

6、cle’Slengthvariable．Inthispaper,wealsoapplytheUSDalgorithmtomaketheclassifierdeal、析tllthediscreteandcontinuousattributessimultaneously．FourdatasetsobtainedfromtheUClweretestedinOurexperiment,andtheresultsarecompared、丽ttlthatoftheJ48andEntropyalgorithms．Theexperim

7、entalresultsshowthattheclassificationperformanceofOUrmethodexcelsmaloftheJ48．TheproposedmethodalsohasthemeritsofvariablenumberofrulesandCansimutaniouslydealwithcontinuousanddiscreteattributes．Duringnearly10yearsofdevelopmentofparticleswarmoptimizationalgorithm,va

8、riousresearchissuesarepresented,andshowthegrowingtrend．However,compared、Ⅳitllgeneticalgorithm，technologyofrelativelylongevolution,particleswarlnoptimizationalg