导读:本文包含了序贯分类论文开题报告文献综述及选题提纲参考文献，主要关键词:粗糙集,序贯叁支决策,多类分类,粒结构
序贯分类论文文献综述
王旭生[1]（2019）在《基于序贯叁支决策的多类分类研究》一文中研究指出在决策问题中,考虑到二支决策中接受决策和拒绝决策都可能产生很大的代价或后果,为了避免直接接受或拒绝带来的风险,叁支决策引入第叁种决策行为:延迟决策。当信息不足无法立即做出确定性决策,此时做出延迟决策,在很大程度上减少错误接受或错误拒绝造成的损失,相对于二支决策具有很大的优越性。叁支决策是决策粗糙集的核心思想之一,它提供叁种决策行为:接受决策,拒绝决策和延迟决策。当决策对象划分到正域中则表示对象做出接受决策,划分到负域的对象表示做出拒绝决策,划分到边界域中的对象表示做出延迟决策,为粗糙集中的正域、负域和边界域给予了语义解释。然而,关于叁支决策的大多数研究和应用都是面向二分类问题,在实际决策中并不合理。例如患者去医院就诊时,不能只判断考虑患者是否患有感冒,而是需要判断患者患有哪种疾病,如病毒性肝炎,肺炎或者其他疾病等。此外,当对象做出延迟决策时,需要进一步收集对象的状态信息,使对象做出确定性决策,这种决策过程构成了序贯叁支决策。针对多类分类决策问题,本文以序贯叁支决策为研究背景,进行了如下研究:(1)为了解决多类分类决策问题,提出了基于序贯叁支决策的叁种多类分类模型。首先,以多类决策信息系统为研究对象,给出叁种将多分类决策转化成多个二分类决策的计算方法。方法一将m分类转化成m个二分类,即将某个类与所有的剩余类集合形成一个二分类,因此,分别做出这m个二分类的叁支决策;方法二将m个类分成两个多分类,然后基于两个多分类进行叁支决策,得到正域、负域和边界域,对于正域和负域,如果其依然含有多个分类,则用该方法继续对正域和负域分别进行处理,直到所有正域和负域中对象的类别数为1;方法叁将m个分类中,任意两个类组成二分类,分别进行处理,因此对于m个决策类可做出m(m-1)个二分类叁支决策。其次,考虑到序贯叁支决策利用多层次粒结构,可以有效降低决策的代价,本文利用序贯叁支决策来实现上述的叁种多分类方法。因此本文基于属性序列构造叁支决策的多层次粒结构,然后在每个属性层上,可以分别基于上述叁种多类分类方法进行叁支决策,对于不能确定决策类的对象将在下一层重新进行决策,从而形成基于序贯叁支决策的叁种多类分类模型。通过实例说明这叁种模型的计算过程。最后,通过仿真实验验证了本文所提模型的有效性。(2)针对多类分类决策问题中对象变化的情况,提出一种基于代价敏感序贯叁支决策的多类分类增量算法。首先,对于序贯叁支决策的每个层,分别定义损失函数矩阵,利用m分类转化成m个二分类的方法,计算出每个决策类的阈值进行叁支决策。对于不能确定决策类的对象,在下一个层上继续进行分类,直到整个序贯过程结束。给出该多类分类的决策算法,通过实例说明该算法的计算过程。然后,使用该模型非增量的方法进行分类的时间开销较大,为了提高决策效率,利用对象更新等价类的计算方法,计算更新后的等价类。通过动态更新的等价类,进而提出该模型的增量方法来进行分类。最后通过仿真实验验证了增量方法的有效性和高效性。(本文来源于《安徽大学》期刊2019-03-01）
张刚强,刘群,纪良浩[2]（2018）在《基于序贯叁支决策的多粒度情感分类方法》一文中研究指出如何对评论数据进行正确的情感分类是情感分析中的重要研究内容。从粒计算和认知学角度,提出了一种基于序贯叁支决策的多粒度中文评论情感分类方法。首先,基于评论数据集的特点,根据评论中情感信息量的多少,提出一种由粗到细的多粒度情感信息表示方法;然后,结合序贯叁支决策的思想在不同粒度依据情感信息进行逐步计算,对边界域评论序贯地进行叁支决策;最后,根据不同粒度的决策阈值和成本对评论做出最终的情感分类。对比实验结果表明,该方法在3个经典评论数据集上获得了更好的结果,具有更高的分类正确率和更强的鲁棒性。(本文来源于《计算机科学》期刊2018年12期）
方宇,闵帆,刘忠慧,杨新[3]（2018）在《序贯叁支决策的代价敏感分类方法》一文中研究指出序贯叁支决策体现了信息粒化和代价敏感学习的优势,其中信息粒化是人类认知和决策执行的基础,代价则是信息处理涉及的重要因素.提出针对代价敏感学习的序贯叁支决策模型.首先,对信息粒化和决策代价之间的关系进行了定义和描述;然后,从序决策过程的视角,利用不同粒度层次的代价矩阵构建了代价函数;最后,为平衡决策结果代价和决策过程代价,提出了两个优化问题,并从理论上阐述了其意义,从实验结果分析上验证了算法的有效性,体现了序贯叁支决策在代价敏感分类问题上的优势.(本文来源于《南京大学学报(自然科学)》期刊2018年01期）
鞠恒荣,李华雄,周献中,黄兵,杨习贝[4]（2017）在《基于Local约简的序贯叁支分类器》一文中研究指出序贯叁支决策是叁支决策理论近年发展起来的一种新型决策方法。传统的序贯叁支决策方法鲜有针对序贯信息粒的构建和其在分类学习中的应用的研究。针对这两个问题,研究了Local约简与Global约简之间的内在序贯性,并以此构建了具有约简特性的序贯信息粒。在此基础上设计了一种序贯叁支分类器。实验结果表明,该序贯叁支分类器不仅能很好地在合适信息粒上进行分类,而且较传统的分类算法提高了数据集的分类精度。(本文来源于《计算机科学》期刊2017年09期）
梁雪,宾金秀,黄祖美,周德丽,卢杰夫[5]（2016）在《五味清胆方联合西药序贯疗法对Hp VG脾胃湿热证患者胃小凹分类及组织学的影响》一文中研究指出目的:观察五味清胆方联合西药序贯疗法对Hp VG脾胃湿热证患者胃小凹分类及组织学的影响。方法:将135例Hp VG脾胃湿热证患者分为3组:联合组采用中药联合西药叁联疗法治疗,中药组单用中药治疗,西药组单用西药叁联疗法治疗。3组疗程均为90d。治疗前后进行内镜下临床证候评估、病变胃黏膜胃小凹形态学观察及病理组织学检查。结果:(1)治疗前后内镜下各临床证候积分比较,除西药组对胆汁反流改善不明显外(P>0.05),3组对其他证候改善效果均有统计学意义(P<0.01或P<0.05),3组之间比较,联合组均优于中药组及西药组(P<0.01);其中对黏膜潮红、充血水肿、胆汁反流改善中药组亦优于西药组(P<0.01);对隆起糜烂改善中药组与西药组差异无统计学意义(P>0.05)。(2)治疗后3组胃小凹形态学及病理组织学比较,联合组均优于中药组、西药组(P<0.05);中药组与西药组差异无统计学意义(P>0.05)。结论:五味清胆方与西药具有协同增效作用,其通过联合西药叁联进行Hp清除治疗后序贯联用PPI制剂治疗,具有促进病变胃黏膜腺体修复、变异细胞逆转,对Hp VG脾胃湿热证患者病变胃小凹及组织学有影响,从而对此类患者早期癌变有干预作用。(本文来源于《湖南中医杂志》期刊2016年10期）
刘蓉,李春月,王永轩,王媛媛,李响[6]（2013）在《基于序贯似然比检验的运动想象脑电信号分类方法研究》一文中研究指出快速准确地对脑电信号进行特征分类是脑-机接口研究的关键问题之一.从人脑决策模型出发,结合自适应小波基特征提取方法,提出了一种基于序贯似然比检验的运动想象脑电信号动态分类方法.该方法在分类中无须预先固定样本量,而是逐次取样,累积分类信息,有利于解决脑-机接口的实时控制问题.为了更好地衡量该方法的有效性,进行了10次10折交叉验证,实验结果表明3个运动想象数据集共8位受试者的平均正确率达到87%以上,互信息和分类时间等指标也表明该方法能够有效提高脑-机接口系统的性能,具有较好的实用性.(本文来源于《大连理工大学学报》期刊2013年06期）
黄荣清[7]（2012）在《基于稀疏高斯过程回归的半监督分类的序贯训练方法》一文中研究指出本文分别对信息向量机(Informative Vector Machine:IVM)算法,高斯过程回归(Gaussian Process Regression:GPR)算法进行了理论和算法上的研究,最后结合IVM算法和稀疏高斯过程回归算法进行改进,提出了一个可以应用到大规模数据集上的半监督分类的序贯训练方法。在实际应用中,半监督学习常常需要处理大量的未标注数据。目前已有的很多半监督学习方法,例如本文中所关注的基于高斯过程的半监督学习方法,往往涉及到矩阵的求逆运算,从而导致算法的计算复杂度达到样本总数的叁次方之高。如此高的计算代价,使得相应的方法无法直接应用到大规模数据集上。但是,如果半监督学习方法不能在大规模数据的情形下很好地应用的话,其在半监督分类上的实用性将很难令人信服。在机器学习应用领域,高斯过程回归方法是一种非常重要的贝叶斯方法,已经被广泛应用到半监督学习任务中。为了克服很多半监督学习方法因为计算复杂度高而难以扩展到大规模数据的缺点,本文提出了序贯训练方法。它是已有的稀疏高斯过程回归模型的改进,每次只处理整个大数据集的一部分数据。大致做法如下：首先用一部分数据训练出一个稀疏高斯过程分类器；然后用保留西来的代表数据点和新加的一部分数据继续训练稀疏高斯过程分类器；如此循环下去,直到所有的未标注样本都得到它们的标签为止,从而实现大规模数据的半监督分类算法。除了具有处理大规模数据的优点之外,序贯训练方法还可以适用于在线学习情形下训练数据不断增多的情况。序贯训练方法理论简单并且容易实现。而且模型的超参数都可以通过最大化边缘似然函数直接最优化得到,不需要使用到计算复杂的交叉验证技术。在8个真实的数据集上验证此序贯训练方法和另外两种稀疏半监督分类算法,实验结果表明,该序贯训练方法比非序贯训练方法取得更好的分类结果。此外,稀疏度量学习是最近两年来机器学习领域研究的热点问题。之前我们已经研究过稀疏核回归模型在短期交通流预测的应用。在本文的最后,将简单介绍稀疏核回归模型及其在交通流预测上的应用,并指出其与序贯训练方法之间的联系。(本文来源于《华东师范大学》期刊2012-04-01）
赵月[8]（2011）在《基于信息增益比率分类的多Agent序贯拍卖模型》一文中研究指出大多数序贯拍卖模型中的标的只具有一个属性,本文构造了一个标的兼有共同价值和私人价值两个属性的序贯拍卖模型。考虑在拍卖过程中公开标的信息,分别给出此模型下买家Agent在第一价格密封拍卖规则(The First Price Sealed Auction,FPSA)和第二价格密封拍卖规则(The Second Price Sealed Auction,SPSA)中的竞价策略函数。提出一个基于标的信息增益比率的分类算法LIWNB,使得买家Agent在提交竞价时能准确分类当前拍卖信息,精确估计标的的共同价值。实验结果显示,算法LIWNB在一定条件下具有较高的分类性能。(本文来源于《南阳理工学院学报》期刊2011年06期）
黄观文,杨元喜,张勤[9]（2011）在《开窗分类因子抗差自适应序贯平差用于卫星钟差参数估计与预报》一文中研究指出提出一种新的钟差算法——开窗分类因子抗差自适应序贯平差,即首先对一维钟差数据进行开窗处理,在窗口内利用抗差等价权削弱粗差影响,在窗口间构造自适应因子抵制钟跳异常,从而达到消除和削弱观测异常和状态异常的目的。针对不同星钟参数不符值描述不同的扰动特性,提出构造分类自适应因子来抵制钟差时间序列中的扰动异常。计算结果表明,新算法一方面引入抗差估计,控制了粗差影响,拟合精度和预报精度与没有进行抗差处理的自适应序贯平差相比,分别提高78.9%和60.4%;另一方面由于新算法构造分类自适应因子,分别处理不同特征的状态异常,钟差拟合精度和预报精度与单因子抗差自适应序贯平差相比,分别提高4.3%和29.2%。(本文来源于《测绘学报》期刊2011年01期）
张丽萍,曾安敏[10]（2008）在《用分类因子自适应序贯平差法确定坐标转换参数》一文中研究指出为了充分有效地利用相似坐标变换参数的先验信息,提高坐标转换精度,提出利用分类因子自适应序贯坐标转换法求解不同区域的坐标转换参数;针对不同类型、不同量纲的参数构造出不同的自适应因子。对实测数据的分析计算表明,在叁维坐标转换中,分类因子自适应序贯坐标转换优于序贯坐标转换。(本文来源于《大地测量与地球动力学》期刊2008年02期）
序贯分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
如何对评论数据进行正确的情感分类是情感分析中的重要研究内容。从粒计算和认知学角度,提出了一种基于序贯叁支决策的多粒度中文评论情感分类方法。首先,基于评论数据集的特点,根据评论中情感信息量的多少,提出一种由粗到细的多粒度情感信息表示方法;然后,结合序贯叁支决策的思想在不同粒度依据情感信息进行逐步计算,对边界域评论序贯地进行叁支决策;最后,根据不同粒度的决策阈值和成本对评论做出最终的情感分类。对比实验结果表明,该方法在3个经典评论数据集上获得了更好的结果,具有更高的分类正确率和更强的鲁棒性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
序贯分类论文参考文献
[1].王旭生.基于序贯叁支决策的多类分类研究[D].安徽大学.2019
[2].张刚强,刘群,纪良浩.基于序贯叁支决策的多粒度情感分类方法[J].计算机科学.2018
[3].方宇,闵帆,刘忠慧,杨新.序贯叁支决策的代价敏感分类方法[J].南京大学学报(自然科学).2018
[4].鞠恒荣,李华雄,周献中,黄兵,杨习贝.基于Local约简的序贯叁支分类器[J].计算机科学.2017
[5].梁雪,宾金秀,黄祖美,周德丽,卢杰夫.五味清胆方联合西药序贯疗法对HpVG脾胃湿热证患者胃小凹分类及组织学的影响[J].湖南中医杂志.2016
[6].刘蓉,李春月,王永轩,王媛媛,李响.基于序贯似然比检验的运动想象脑电信号分类方法研究[J].大连理工大学学报.2013
[7].黄荣清.基于稀疏高斯过程回归的半监督分类的序贯训练方法[D].华东师范大学.2012
[8].赵月.基于信息增益比率分类的多Agent序贯拍卖模型[J].南阳理工学院学报.2011
[9].黄观文,杨元喜,张勤.开窗分类因子抗差自适应序贯平差用于卫星钟差参数估计与预报[J].测绘学报.2011
[10].张丽萍,曾安敏.用分类因子自适应序贯平差法确定坐标转换参数[J].大地测量与地球动力学.2008