基于数据模式识别整合框架的SOFMSVM模型及其应用Word文档下载推荐.docx

基于数据模式识别整合框架的SOFMSVM模型及其应用Word文档下载推荐.docx

《基于数据模式识别整合框架的SOFMSVM模型及其应用Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《基于数据模式识别整合框架的SOFMSVM模型及其应用Word文档下载推荐.docx（25页珍藏版）》请在冰豆网上搜索。

结合统计聚类中的聚类误差概念定义

一个聚类数有效性指标,利用SOFM算法中间结果进行指标求解,以筛选出有效

或最佳聚类数;

提出一种新的噪声识别算法Anti-NO算法用于对样本中的异常数

据进行甄别和过滤;

利用SVM模型的中间结果提取分类边界数据;

进一步充实

了包括模式类、噪声集和边界在内的模式识别成果。

最后将该整合模型应用于上

市公司信用模式识别的实例,证明该整合策略和模型对于解决C2CMA数据挖掘

任务是可行有效的,同时为定量研究证券信用模式分类问题做出新的探索。

关键词:

模式识别聚类分类自组织特征映射支持向量机信用模式1基于数据模式识别整合框架的SOFM-SVM模型及其应用

Abstract

Basedonthetheoryandmethodsofdatapatternrecognition,thisthesisfocused

onthedisadvantagesoftheunaidedusewithunsupervisedclusteringandsupervised

classifyingmethodtoclassifytheunlabeleddatasamples,andfurtherlyproposeda

methodof"

C2CMA"

fromclusteringtoclassificationminingapplication,which

integratesclusteringwithclassifyingmethodtosolvetheproblemofpattern

recognition.Anintegratedstrategycalled"

DPRIF"

DataPatternRecognition

IntegratedFramewasalsoproposed,whichisusedtodiscoverandexplaindata

patternwhensamplesetislackoflabeledinformation.Itcanalsobeusedtocreatea

classifierwhichismorestableandmoreaccurate,andcanbeusedtodiscriminateand

forecastnewdata.UndertheguidanceofDPRIFintegratingstrategy,wesetupan

integretedSOFM-SVMmodel.Thenweanalyzedandoptimizedthemodelfromthe

aspectsofoperatingmechanism,datainterfaceandfunctionexpandedness.ThePCA

methodwasintroducedtoreducedimensionalityandextractfeatures,thento

strengthentheclusteringexplanation;

definedaCMIindex,toascertainthemost

effectiveorthebestclusteringnumber;

AnewAnti-NOalgorithmwasproposedto

recognizeandtofilterthesuspeciousdatainthesample;

ThemediumresultofSVM

modelwasusedtoextracttheborderlinedatasbetweentwoclassifiedgroups.This

researchcompensatedfortheachievementsofdatarecognitionincludingpatterndata,

noisesdataandborderlinedata.Finallytheintegratedmodelwasusedinthe

recongnitionoflistedcompanies'

creditpattern.TheresultsprovedthatthisDPRIFand

SOFM-SVMmodeliseffectiveinsolvingC2CMAproblem.Furthermore,weexplored

inquantitativeresearchontheissueofstock'

screditpatternrecognition

Keyword:

PatternRecognition,Clustering,Classification,SOFM,SVMCreditPattern2基于数据模式识别整合框架的SOFM-SVM模型及其应用

中文摘要1

Abstract2

第一章综述1

1.1模式识别的概念及其内容..1

1.2国内外研究现状..1

1.3当前研究的重点和发展趋势4

1.4本文的主要工作..5

第二章数据模式识别整合框架.6

2.1分离的模式识别方法的不足和整合模式识别框架（DPRIF）的提出6

2.2DPRIF的整合优势12

2.3DPRIF需要解决的若干问题..13

2.4本章小结14

第三章基于DPRIF的SOFM-SVM模型基础15

3.1自组织特征映射神经网络（SOFM）及其算法.15

3.2SVM基本原理及其基本模型..18

3.3整合SOFM-SVM模型22

3.4本章小结26

第四章基于DPRIF的SOFM-SVM模型局部分析和改进.27

4.1特征提取和聚类解释问题?

?

降维PCA处理27

4.2聚类数目与聚类有效性分析?

CMI算法..28

4.3噪声的过滤问题?

Anti-NO算法..30

4.4分类边界问题?

提取分类边界..33

4.5多类分类器的处理?

多类SVM34

4.6本章小结35

第五章基于DPRIF的整合SOFM-SVM模型在上市公司信用模式识别中的应用36

5.1应用背景36

5.2实证分析过程.37

5.3小结评价45

第六章结论与展望..46

参考文献.47

附录一:

2002年200只沪深上市公司股票数据（未经标准化）?

训练集51

附录二:

2002年78只沪深上市公司股票数据（未经标准化）?

测试集..56

在学期间发表的论文及科研成果58

致谢593第一章综述

第一章综述

1.1模式识别的概念及其内容

模式识别技术是20世纪六十年代初发展起来的一门学科。

它体现了一种“物以类聚”的

思想,它所研究的理论和方法在很多学科和技术领域得以广泛应用,推动了人工智能系统的

发展,扩大了计算机技术的应用领域。

模式（Pattern）是对象的适当抽象和表达。

模式识别（PatternRecognition）是一门研究

对象描述和分类方法的学科,即依据一定特征属性或标准,通过一定的方法和手段,使原本

凌乱涣散的对象得以归类研究,既便于从宏观上认识和把握已知事物的抽象化特征和共性,

更利于对未知的、未来的新事物做出推断。

它的研究对象和对象的属性值有多种类型,如信

号系统、图象系统、符号系统和数值系统等,一般较为常见的是数值型对象,起对应的方法

也比较多,而且很多其他形式的对象及其属性值可相应转换成数值类型。

所以,本文所指的

模式对象主要是数值数据。

相应地,数据模式识别定义为:

从数值型属性对象中进行模式发

现、描述、分类的过程。

模式识别的方法有多种,但其目标是要在表示空间和解释空间中找到映射关系,为达此

目的,一般有两类方法:

1、无监督学习、数据驱动、归纳的方法:

事先没有关于样本类别的先验知识,通过一种有效的方法“发掘”样本的内在相似性而

进行分类,主要是各种聚类方法包括统计聚类、模糊聚类、神经网络聚类等;

2、有监督学习、概念驱动、演绎的方法:

在给定的模式下（有样本的类别信息）假定存在一个映射,用训练集与目标值对应以逼

近这个映射,主要是各种分类方法:

统计判决、神经网络分类、支持向量机分类等。

一个模式识别系统概图如下:

输入感知特征提取分类后处理结论或决策

1.2国内外研究现状

由于本文研究的思路主要集中在模式识别过程、方法的结构化整合和集成上,而整合的

框架和逻辑结构又是按从无监督聚类向有监督分类的方向推进的,所以对国内外研究现状的

综述主要集中在聚类和分类两方面技术发展,并一定程度上综述了这两方面的应用研究现状。

1.2.1国外研究现状

1.2.1.1统计模式识别方法的发展

国外的模式识别研究始于统计模式识别理论和方法的开创。

在早期研究阶段,Duda和

1第一章综述

[1][2][3]

Hart、Tou和Gonzalez、Fu等人把模式识别问题阐述为统计判决问题,即把模式识别问

题表示成多维空间中的密度函数的估计问题,并在多维空间中划分类别或区域,这些判决超

平面是通过合适的判决函数来表示的。

[16]

在聚类分析的研究方面,Hartigan（1975）较为系统地分析了聚类的典型目的,认为

聚类是为了“获得数据的有用概括和解释”,指出将数据从聚类性质方面解释取代了将其从单

独的属性方面解释的重要性。

根据一定模式的相似性测度（如各种距离测度、相似性测度、

匹配测度）和样本在聚类中的积聚规则,迄今在统计模式识别领域已发展了很多种聚类方法,

比较常用的有:

系统聚类法、动态聚类法（C-均值法及其改进）、ISODATA法（K-均值法及

[17~20]

其改进）。

随着模糊集合论的兴起,Bezdek和Dunn（1987）等人也开始把模糊处理方法

引进聚类分析（如C-均值模糊聚类法）,此后人们提出了多种模糊聚类方法。

在聚类的有效

性分析方面,国外研究偏向于利用聚类价值指数来反映类内相异程度的,其中McIntyre和

[21]

Blashfield（1980）提出了一种称为“复制分析”（类似于交叉有效性分析）的有效性检验

[15]

方式;

此外,Milligan（1996）还提出了