基于概率神经网络的图匹配算法研究

《基于概率神经网络的图匹配算法研究》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、西安建筑科技大学硕士学位论文基于概率神经网络的图匹配算法研究专业：计算机应用技术硕士生：陈思颖指导教师：李昌华教授摘要随着互联网技术的不断普及与创新，各个领域产生的图结构数据正在激增。对大规模图结构数据实现高效的查询与匹配是大数据时代的重要任务，图匹配作为图结构数据的基础算法正发挥着重要的作用。针对大多数的非精确图匹配算法存在属性冗余、复杂度高等方面的不足，论文给出了改进的图匹配算法。首先对数据集中的图数据特征进行提取和选择，进而用优化后的特征向量对改进的概率神经网络进行训练，完成分类器的设计，最后用测试数据对

2、分类器的识别率进行测试。论文提取了图的拓扑特征和非拓扑特征，拓扑特征能够描述图的基本结构，非拓扑特征能够描述图的基本信息，将两者结合起来，就能够较好地描绘出便于区分的图数据信息。给出了基于竞争的概率神经网络(CPNN)，在CPNN中，通过遗传算法实现参数优化，从而选择最优的网络参数，提高分类性能；在优化概率神经网络的拓扑结构方面，给出一个改进的基于监督学习的学习矢量量化算法(LVQ)，通过LVQ算法优化网络结构，提高分类性能。通过在不同数据集上的实验结果表明，以上两种算法性能虽然因不同的数据集而各有优劣，但却都

3、能达到较好的效果。关键词：非精确图匹配；概率神经网络；CPNN；遗传算法；LVQ论文类型：基础研究本研究得到国家自然科学基金项目（No.61373112）资助西安建筑科技大学硕士学位论文ThestudyofgraphmatchingbasedonprobabilisticneuralnetworkSpecialty:TechnologyofComputerApplicationName:ChenSiyingInstructor:Prof.LiChanghuaABSTRACTWiththeconstantlypo

4、pularizationandinnovationoftheInternettechnology,theresulthasbeenarapidincreaseofthegraphdataineveryfield.Efficientqueryandmatchingonlarge-scalegraphdataisthebasisofthelargedataanalysisproblems,Graphmatchingasthebasicalgorithmisplayinganimportantrole.Theexis

5、tinginexactgraphmatchingalgorithmhaspropertyredundancyandhighcomplexity.Animprovedgraphmatchingalgorithmisproposedinthispaper.First,preprocessinggraphdata,realizetofeatureextractionandselection,Thesecond,theimprovedprobabilisticneuralnetworkistrainedusingthe

6、optimizedeigenvectors，completedthedesignofclassifier,Finally,testtheaccuracyoftheclassifierwithtestdata.Thispapermainlyextractsthetopologicalfeaturesandnon-topologicalfeaturesofthegraph,thetopologicalfeaturesofthegraphcandescribethebasicstructureofthegraph,r

7、atherthanthenon-topologicalfeaturescandescribethebasicinformationofthegraph,thencombinetheboth,itcandrawadistinguishablefiguredatainformation.Aprobabilisticneuralnetworkbasedoncompetition(CPNN)isproposed.InCPNN,parametersareoptimizedthroughgeneticalgorithms.

8、Therefore,theoptimalnetworkparametersareselectedtoimprovetheclassificationperformance.Intheaspectofoptimizingthetopologystructureoftheprobabilisticneuralnetwork,animprovedlearningvectorquantizat