改进型RBF神经网络的多标签算法研究

《改进型RBF神经网络的多标签算法研究》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、⑧骷MAST⋯ER'STH丈E哪硕士学位论文改进型RBF神经网络的多标签算法研究论文作者：李书玲指导教师：刘蓉副教授学科专业：电路与系统研究方向：智能信息处理与模式识别华中师范大学物理科学与技术学院2014年5月⑧硕士学位论丈MASTER’STHESISImprovedRBFNeuralNetworksforMulti．．LabelClassificationAThesiSSubmittedinPartialFulfillmentoftheRequirementFortheM．s．DegreeinCircuitandSystemByLiShulingPostgraduat

2、eProgramCollegeofPhysicalScienceandTechnologyCentralChinaNormalUniversitySupervisor：LiuRongAcademicTitle：AssociateProfessorSignature⑨硕士学位论丈MASTER’STttESIS华中师范大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均己在文中

3、以明确方式标明。本声明的法律结果由本人承担。作者签名：蛮书砍日期：x#-年上月：7日学位论文版权使用授权书学位论文作者完全了解华中师范大学有关保留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属华中师范大学。学校有权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，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。(保密的学位论文在解密后遵守此规定)保密论文注释：本学位论文属于保密，在年解密后适用本授权书。非保密论文注释：本学位论文不属于保密范围，适用本授权书。本人已经认真阅读

4、“CALIS高校学位论文全文数据库发布章程”，同意将本人的学位论文提交“CALIS高校学位论文全文数据库”中全文发布，并可按“章程”中的规定享受相关权益。园意论文提交后进后；旦坐生；旦二生；旦三生发查!作者签名：杏．痧硷日期：刀胪j月习日日～7／～慌型、砂年～名汐～戳∽

5、

6、导日～砍驴

7、

8、茹月～杏上～咿～名w～7鬻朋、痧年：缈名力戳桫师期字日⑧硕士学位论丈MASTER’STI{ESIS摘要分类是模式识别的关键问题之一，根据样本所属的标签个数可分为单标签分类和多标签分类，多标签分类在实际应用中相当广泛。多标签分类是指通过训练集的己知样本，建立相应模型，使测试集的每一个样本能够

9、同时对应多个样本标签所进行的分类。已有的RBF神经网络算法并未充分考虑多个样本标签之间的关联性，从而导致泛化性能受到一定程度的影响。针对此问题，本文设计了改进型RBF神经网络的多标签算法，并在公共多标签数据集上进行实验验证，证明了该算法的有效性。本文工作主要包括以下几个方面：(1)简要分析了多标签技术的研究现状以及研究意义，并对如何处理多标签问题进行了归纳与总结。(2)优化了隐含层RBF神经网络基函数中心常用求取算法-k均值聚类算法。采用AP聚类自动寻找k值，以获得隐含层节点数目，并构造Huffman树选取初始聚类中心，以防k均值聚类结果陷入局部最优。通过多标签实验验证，

10、表明了改进后的方法可以有效的提高多标签分类能力。(3)设计了改进型RBF神经网络的多标签算法。首先分析样本多标签之间的关联性，构造体现多标签之间信息的标签计数向量C，然后与改进k均值聚类后求得的RBF神经网络基函数中心线性叠乘，获取新的基函数中心，建立RBF神经网络模型。通过实验验证，该算法在提高识别性能的同时，也扩大了数据的泛化性能。(4)通过实验验证了改进型RBF神经网络的多标签算法的有效性。在公共多标签数据集emotion和image上进行实验，并与各种算法分析与比较，本文改进的算法在多标签评价指标averageprecision、coverage、hammingl

11、oss、one．error和rankingloss上都得到了提升，实验结果整体表现良好。关键词：多标签分类；RBF神经网络；k均值聚类；AP聚类AbstractClassificationisakeyprobleminpaaemrecognitionwhichcanbedividedintotwocategories：single—labelclassificationandmulti-labelclassification．Onaccountofmulti—labelclassificationisquitewidelyus