基于神經(jīng)網(wǎng)絡的分類器設計及優(yōu)化.pdf

1、分類是農(nóng)業(yè)數(shù)據(jù)挖掘的一項重要任務,分類器設計是決定分類性能的關(guān)鍵因素。隨著我國數(shù)字化農(nóng)業(yè)的發(fā)展,農(nóng)業(yè)呈現(xiàn)出多樣化和區(qū)域化的趨勢,導致農(nóng)業(yè)數(shù)據(jù)具有高維、動態(tài)、非線性、非穩(wěn)定性等特點,農(nóng)業(yè)分類問題的復雜程度不斷增加。尤其是在處理小規(guī)模和大規(guī)模農(nóng)業(yè)數(shù)據(jù)集這兩個特殊問題時,傳統(tǒng)的方法所建立的模型不能全面、科學和本質(zhì)的反應農(nóng)業(yè)數(shù)據(jù)的復雜特性,造成了信息量的丟失和分類準確性的不足,嚴重制約著農(nóng)業(yè)數(shù)據(jù)分類研究的發(fā)展和進步。因此,針對不同規(guī)模農(nóng)業(yè)數(shù)據(jù)的

2、特點,構(gòu)造更高效合理、有針對性的分類器,實現(xiàn)對農(nóng)業(yè)數(shù)據(jù)的準確分類,對農(nóng)業(yè)數(shù)據(jù)挖掘研究具有積極地推動作用。
　　本研究針對小規(guī)模和大規(guī)模農(nóng)業(yè)數(shù)據(jù)的特點,在分析了傳統(tǒng)方法經(jīng)驗與不足的基礎(chǔ)上,提出基于神經(jīng)網(wǎng)絡分類器的設計與優(yōu)化方法,重點解決農(nóng)業(yè)數(shù)據(jù)分類中的三個關(guān)鍵問題——數(shù)據(jù)預處理環(huán)節(jié)的變量篩選問題,小規(guī)模數(shù)據(jù)的分類問題,大規(guī)模數(shù)據(jù)的分類問題,提出將神經(jīng)網(wǎng)絡與群體智能算法、云計算相結(jié)合的方法,實現(xiàn)對不同規(guī)模農(nóng)業(yè)數(shù)據(jù)集的分類,并通過對比實

3、驗驗證了方法的正確性和有效性。
　　本文研究的主要內(nèi)容及取得的成果如下:
　　(1)研究了基于MIV的神經(jīng)網(wǎng)絡變量篩選方法。通過計算數(shù)據(jù)集中每個屬性對于神經(jīng)網(wǎng)絡分類準確度的平均貢獻值MIV,選取數(shù)據(jù)集中對神經(jīng)網(wǎng)絡建模效果顯著的屬性作為網(wǎng)絡的輸入變量,達到變量篩選、冗余消除的效果,提高分類準確性。
　　(2)針對樣本數(shù)據(jù)量不足的情況,提出了小規(guī)模農(nóng)業(yè)數(shù)據(jù)集的神經(jīng)網(wǎng)絡分類方法。研究將果蠅尋優(yōu)算法與GRNN神經(jīng)網(wǎng)絡相結(jié)合,通

4、過模擬果蠅的覓食行為,實現(xiàn)GRNN神經(jīng)網(wǎng)絡關(guān)鍵建模參數(shù)——平滑因子的自適應確定,完成對GRNN神經(jīng)網(wǎng)絡的優(yōu)化,達到提升小規(guī)模數(shù)據(jù)集分類準確度的目的。
　　(3)針對大樣本數(shù)據(jù)量的情況,提出了大規(guī)模農(nóng)業(yè)數(shù)據(jù)集的神經(jīng)網(wǎng)絡分類方法。在對傳統(tǒng)的BP-AdaBoost算法進行分析的基礎(chǔ)上,結(jié)合云計算思想,給出了傳統(tǒng)BP-AdaBoost算法的MapReduce并行化方法。將改進后的算法部署在Hadoop集群上,并通過三個對比實驗,驗證了該算