欢迎来到天天文库
浏览记录
ID:33521964
大小:2.06 MB
页数:138页
时间:2019-02-26
《模糊聚类挖掘技术研究及其在自动化养猪中的应用》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、分类号:密级:论文编号:学号:50080812323重庆理工大学硕士学位论文模糊聚类挖掘技术研究及其在自动化养猪中的应用研究生:黄靖华指导教师:王越教授学科专业:计算机应用技术研究方向:数据仓库与数据挖掘培养单位:计算机科学与工程学院论文完成时间:2012年4月20日论文答辩日期:2012年5月31日万方数据CategoryNumber:LevelofSecrecy:SerialNumber:StudentNumber:50090812323Master'sDissertationofChongqingU
2、niversityofTechnologyResearchonFuzzyClusteringMiningTechnologyanditsApplicationinAutomaticRaisingPigsPostgraduate:HuangJinghuaSupervisor:Prof.WangYueSpecialty:ComputerApplicationTechnologyResearchDirection:DataWarehouseandDataMiningTrainingUnit:CollegeofC
3、omputerScienceandEngineeringThesisDeadline:April20,2012OralDefenseDate:May31,2012万方数据重庆理工大学学位论文原创性声明本人郑重声明:所呈交的学位论文是本人在导师的指导下,独立进行研究所取得的成果。除文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果、作品。对本文的研究做出重要贡献的集体和个人,均已在文中以明确方式标明。本人承担本声明的法律后果。作者签名:日期:年月日学位论文使用授权声明本学位论文
4、作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权重庆理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于(请在以下相应方框内打“√”):1.保密□,在年解密后适用本授权书。2.不保密□。作者签名:日期:年月日导师签名:日期:年月日万方数据摘要摘要目前,随着信息产业的第三次浪潮的到来,融合各种信息技术的、打破互联网限制的具备“全面感知、可靠
5、传送、智能处理”特征的物联网技术已经渗透到畜牧业领域。纵观现代畜牧业的特点与内容,可看出信息化是体现现代畜牧业特征和实现现代畜牧业内容的重要手段。精准畜牧业决策要求与智能计算方法的结合点或交集主要包括关联、分类、聚类、评判和预测等。因此,将核模糊聚类算法应用在养猪过程中,以满足广大养殖者对畜牧业信息技术的迫切要求,具有十分重大的意义。在育肥猪养殖过程中,育肥猪出栏是个极其重要环节,如若对出栏的指导不够科学,极易出现出栏率低的状况,因此,为养殖者提供出栏推荐服务具有重要意义。出栏推荐服务根据出栏要求对育肥猪
6、进行分类,将适合的育肥猪推荐出栏,把养殖者从纷繁复杂的信息搜集和处理任务中解放出来。为使猪群的分类结果更为合理,本文运用核模糊聚类算法(FKCM)分析猪群数据,描述了猪只属于各个分类的不确定性程度,表述了猪群类属的中介性,使得出栏推荐服务更加客观有效。论文的主要工作如下:1、首先介绍课题的研究背景及意义,重点讨论了畜牧信息化系统的意义及研究现状,详细描述了FKCM的理论基础,重点阐述了FKCM算法的基本思想及算法流程。2、针对FKCM在获得最优聚类数时迭代次数过多的不足,通过减法聚类算法得到了初始聚类数目
7、的最大值,降低了算法的时间复杂度。针对FKCM算法未考虑各样本对聚类划分的结果贡献度不同的缺陷,运用基于放松约束的样本加权法改进了原算法。3、介绍了一些常用的有效性指标,并将其推广到核化空间中,然后提出一个新的基于核空间的聚类有效性指标,并对其做了理论证明,实验证明该指标具备良好的聚类有效性判决能力与实用价值。在对猪群数据进行聚类时,本文先对猪群数据进行样本加权,再运用改进的FKCM对加权后的数据进行划分,最后结合专家调查法推荐猪群出栏。既考虑了各样本对聚类的贡献度,又利用经验调整了聚类结果。实验证明,基
8、于上述方法结合的FKCM在育肥猪出栏上,获得了更为客观的划分效果。4、最后利用改进的FKCM建立了一个出栏推荐模型,并以该模型为依据,在.net环境下完成了育肥猪出栏推荐系统,并将其应用于育肥猪出栏推荐服务。关键字:出栏推荐;减法聚类;核模糊c-均值聚类;样本加权;放松隶属度I万方数据AbstractAbstractAtpresent,alongwiththeinformationindustrythirdwavecoming
此文档下载收益归作者所有