导读:本文包含了多代价敏感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,粒计算,代价敏感,属性选择
多代价敏感论文文献综述
黄伟婷[1]（2016）在《多代价下的代价敏感属性选择算法比较》一文中研究指出代价敏感属性选择在数据挖掘和机器学习中起着关键性作用,代价敏感属性选择问题是经典属性选择问题的自然扩展,已成为越来越多学者的研究热点之一.首先给出多代价下代价敏感属性选择问题的数学模型,然后介绍现有的有代表性的四种代价敏感属性选择算法,最后在四个UCI数据集上进行实验,对四种代价敏感属性选择算法的效果和效率进行比较分析.(本文来源于《聊城大学学报(自然科学版)》期刊2016年03期）
马光志[2]（2009）在《多代价敏感的反传神经网络优化研究》一文中研究指出传统的反向传播神经网络(BPNN)学习以分类错误最小为目标，通常假定在分类错误时所有样本的代价完全相同。但基于这种假设构造的BPNN在进行分类时，即使是很少的失误也可能付出惨重的代价。因而，以样本集的整体误分类代价最小为研究目标，已经成为当今BPNN及决策支持系统构造的研究热点。目前，代价敏感的BPNN研究一般考虑一种代价，通过调整样本分布、修改样本类别或修正BPNN的误差函数进行学习。这些学习方法存在的主要缺点有：(1)单一代价假设不符合现实存在的多种代价的实际情况；(2)以误分类综合代价最低为目标难于同时兼顾分类精度和分类代价。考虑到存在大量的无法用综合代价替代多种代价的情形，给出了一种兼顾分类精度和多种分类代价的BPNN学习方法，既不用调整样本的分布或样本的类别，也不用修改BPNN的误差评价函数。该学习方法以遗传算法为基础，将分类误差或多种分类代价同时作为优化目标，应用Pareto最优理论进行多目标优化，寻找分类精度和误分类代价均为最优的BPNN。为了避免遗传算法陷入局部最优，采用了小生境共享适应度的策略，以得到更多样化的BPNN。为了能够自动确定小生境的半径或范围，基于心理学关于分布均匀的判定策略，给出了一种在多目标空间中确定分布均匀拐点的新方法，并据此设计了可自动计算小生境范围的遗传算法。考虑到大量的输入属性可能导致复杂的BPNN，研究了用启发式方法和并行穷举方法约简属性的方法。启发式方法采用遗传算法进行属性约简，除了存在于选择操作的适应度启发函数外，还在变异操作中以信息熵为基础构造了启发函数；穷举方法基于循环队列自底向上约简，通过剪枝有效地提高了属性约简集的穷举速度。由于属性约简和多代价敏感的BPNN学习需要大量的计算，研究在P2P网络环境下进行并行计算是必要的。采用面向对象的技术开发了多代价敏感的BPNN分类系统，并用公共数据集UCI中的数据和真实数据进行了实验，真实数据来自863目标导向项目“基于网格的数字化医疗决策支持系统”的临床数据库。实验结果表明，自底向上的并行属性约简算法具有处理大规模属性的能力，同基于综合代价修改误差评估函数的BPNN相比，多代价敏感的BPNN在使用同等的误分类代价时，具有更高的分类精度和更低的误分类代价。(本文来源于《华中科技大学》期刊2009-05-01）
多代价敏感论文开题报告
（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：
传统的反向传播神经网络(BPNN)学习以分类错误最小为目标，通常假定在分类错误时所有样本的代价完全相同。但基于这种假设构造的BPNN在进行分类时，即使是很少的失误也可能付出惨重的代价。因而，以样本集的整体误分类代价最小为研究目标，已经成为当今BPNN及决策支持系统构造的研究热点。目前，代价敏感的BPNN研究一般考虑一种代价，通过调整样本分布、修改样本类别或修正BPNN的误差函数进行学习。这些学习方法存在的主要缺点有：(1)单一代价假设不符合现实存在的多种代价的实际情况；(2)以误分类综合代价最低为目标难于同时兼顾分类精度和分类代价。考虑到存在大量的无法用综合代价替代多种代价的情形，给出了一种兼顾分类精度和多种分类代价的BPNN学习方法，既不用调整样本的分布或样本的类别，也不用修改BPNN的误差评价函数。该学习方法以遗传算法为基础，将分类误差或多种分类代价同时作为优化目标，应用Pareto最优理论进行多目标优化，寻找分类精度和误分类代价均为最优的BPNN。为了避免遗传算法陷入局部最优，采用了小生境共享适应度的策略，以得到更多样化的BPNN。为了能够自动确定小生境的半径或范围，基于心理学关于分布均匀的判定策略，给出了一种在多目标空间中确定分布均匀拐点的新方法，并据此设计了可自动计算小生境范围的遗传算法。考虑到大量的输入属性可能导致复杂的BPNN，研究了用启发式方法和并行穷举方法约简属性的方法。启发式方法采用遗传算法进行属性约简，除了存在于选择操作的适应度启发函数外，还在变异操作中以信息熵为基础构造了启发函数；穷举方法基于循环队列自底向上约简，通过剪枝有效地提高了属性约简集的穷举速度。由于属性约简和多代价敏感的BPNN学习需要大量的计算，研究在P2P网络环境下进行并行计算是必要的。采用面向对象的技术开发了多代价敏感的BPNN分类系统，并用公共数据集UCI中的数据和真实数据进行了实验，真实数据来自863目标导向项目“基于网格的数字化医疗决策支持系统”的临床数据库。实验结果表明，自底向上的并行属性约简算法具有处理大规模属性的能力，同基于综合代价修改误差评估函数的BPNN相比，多代价敏感的BPNN在使用同等的误分类代价时，具有更高的分类精度和更低的误分类代价。
（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。
多代价敏感论文参考文献
[1].黄伟婷.多代价下的代价敏感属性选择算法比较[J].聊城大学学报(自然科学版).2016
[2].马光志.多代价敏感的反传神经网络优化研究[D].华中科技大学.2009