基于粒計算的K近鄰多標簽學習算法.pdf

1、隨著當今社會以及信息技術的快速發(fā)展，多標簽分類學習問題成為現(xiàn)實社會中的一類重要的分類問題，其在實際中有著十分廣泛的應用，比如文本分類、圖片場景分類、生物基因功能分類等方面。多標簽分類學習問題已經(jīng)成為機器學習領域的一個研究熱點，學者先后提出了許多種多標簽學習算法來解決多標簽分類問題，總的來看這些算法可以分為兩類：問題轉化法和算法改進法，問題轉化法是將一個多標簽分類問題轉化為若干個單標簽分類問題，算法改進法是改進原有的單標簽分類算法使它可以

2、用來處理多標簽分類問題。
　　 本文介紹了多標簽分類學習，然后重點討論了一些重要的多標簽分類算法：基于集成學習的多標簽分類算法，基于支持向量機的多標簽分類算法，基于神經(jīng)網(wǎng)絡的多標簽分類算法，基于覆蓋算法的多標簽分類算法和k近鄰多標簽算法；分析了這些算法的優(yōu)點與不足，針對k近鄰多標簽算法的某些不足進行改進，從而提出一種新的多標簽分類算法。主要完成一下內容：
　　 1、對多標簽學習以及一些重要的多標簽分類算法進行綜述，闡述這

3、些多標簽分類算法的具體過程，指出它們在實際應用中的成功之處與不足，對某些算法今后的改進工作做了初步探討。
　　 2、針對k近鄰多標簽分類學習算法(ML-kNN)中的在每次學習的過程中都預先指定樣本的樣本近鄰點個數(shù)而不考慮樣本近鄰點的具體的分布情況，對其中的不足進行了分析，提出改進型算法。
　　 3、將粒計算的思想引入到k近鄰多標簽算法的樣本近鄰點集的選取過程中，提出基于粒計算的K近鄰多標簽學習算法(ML-GkNN)，通過