基于膜计算的学习模型研究

基于膜计算的学习模型研究

论文摘要

随着信息技术的飞快发展,传统电子计算机的计算能力、存储能力等因为核心器件的集成极限而临近瓶颈,越来越多的科学家致力于构建全新的计算理论体系。受自然界各种信息处理机制启发而来的自然计算正是其中之一。膜计算作为自然计算的新分支,因其分布式并行计算的特性受到了越来越多的关注,其相关方法与思想也被广泛应用于计算机图形学、数学、语言学和经济学等领域。自1998年膜计算模型被提出以来,已有研究者将膜计算与学习算法相结合研究聚类和分类等学习模型。这些研究主要是将膜计算模型的思想用于学习模型的优化或是将P系统的膜结构作为学习算法计算结果分析比较的容器,并未从膜计算进化规则的层面研究和设计学习算法。本文的主要目的是探索基于类细胞P系统的聚类与分类学习模型,以纯规则的方式设计P系统,并使规则执行的并行性最大限度地得到发挥。本文研究并设计了具有聚类学习功能的类细胞P系统Πkmbc和具有分类学习功能的类细胞P系统Πbpbc,主要工作与创新点如下:(1)研究并设计了以K-medoids为基础的并行聚类算法,基于此算法设计了一个聚类P系统Πkmbc,具体包括其对象多重集、膜结构和进化规则集的设计。分析了Πkmbc的性能,并通过实例说明了它的可行性和有效性。(2)根据BP神经网络模型,设计了具有并行数据处理的分类算法,基于此算法设计了一个分类P系统Πbpbc,包括其对象多重集、膜结构和进化规则集的设计。分析了Πbpbc的性能,并通过实例说明了它的可行性和有效性。本文的研究是对膜计算学习模型的一种探索,设计的Πkmbc和Πbpbc对基于膜计算学习算法的研究有重要意义。它们不仅将膜计算的应用研究从基础运算扩展到包含算法框架的复杂计算,同时也为聚类、分类学习算法的并行实现提供了新的思路。

论文目录

  • 摘要
  • 英文摘要
  • 1 绪论
  •   1.1 引言
  •   1.2 国内外研究现状综述
  •   1.3 研究目的及意义
  •   1.4 本文的组织结构
  • 2 研究基础介绍
  •   2.1 类细胞P系统基础
  •     2.1.1 类细胞P系统的生物基础与基本概念
  •     2.1.2 类细胞P系统的形式化定义
  •     2.1.3 类细胞P系统的示例分析
  •     2.1.4 P系统仿真工具介绍
  •   2.2 聚类模型基础
  •     2.2.1 传统K-medoids算法
  •     2.2.2 快速K-medoids算法
  •   2.3 分类模型基础
  •     2.3.1 人工神经网络
  •     2.3.2 BP神经网络
  •   2.4 本章小结
  • 3 基于类细胞P系统的聚类模型研究
  •   3.1 基于类细胞P系统的聚类算法
  •   3.2 基于类细胞P系统的聚类模型的设计
  •     3.2.1 P系统定义
  •     3.2.2 膜结构设计
  •     3.2.3 规则设计
  •   3.3 P系统复杂性分析
  •   3.4 实例分析
  •   3.5 本章小结
  • 4 基于类细胞P系统的分类模型研究
  •   4.1 基于类细胞P系统的分类算法
  •   4.2 基于类细胞P系统的分类模型的设计
  •     4.2.1 P系统定义
  •     4.2.2 膜结构设计
  •     4.2.3 规则设计
  •   4.3 P系统复杂性分析
  •   4.4 实例分析
  •   4.5 本章小结
  • 5 总结与展望
  •   5.1 总结
  •   5.2 展望
  • 参考文献
  • 附录
  •   A.作者在攻读学位期间发表的论文目录
  •   B.作者在攻读学位期间取得的科研成果目录
  •   C.学位论文数据集
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 谢敬娅

    导师: 郭平

    关键词: 膜计算,学习模型,聚类模型,分类模型,并行计算

    来源: 重庆大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 生物学,计算机硬件技术

    单位: 重庆大学

    分类号: Q811.4;TP384

    DOI: 10.27670/d.cnki.gcqdu.2019.000491

    总页数: 73

    文件大小: 1768k

    下载量: 14

    相关论文文献

    • [1].基于独立规则集位提取的包分类压缩方法[J]. 计算机应用 2018(08)
    • [2].最小冗余的无损关联规则集表述[J]. 自动化学报 2008(12)
    • [3].一种基于匹配域裁剪的包分类规则集压缩方法[J]. 电子与信息学报 2017(05)
    • [4].主动模糊访问控制规则集终止性分析[J]. 计算机科学与探索 2013(03)
    • [5].基于触发路径的主动规则集终止性分析[J]. 计算机学报 2012(01)
    • [6].一种针对规则冲突的规则集语义比较算法[J]. 中国海洋大学学报(自然科学版) 2008(S1)
    • [7].多层次规则集在喷雾机器人数据融合中的应用[J]. 自动化与仪器仪表 2012(05)
    • [8].访问控制系统的规则集模型及其检测算法[J]. 计算机工程 2010(14)
    • [9].基于权重与匹配效率的防火墙规则集优化算法[J]. 现代计算机(专业版) 2014(14)
    • [10].数据挖掘中关联规则集的优化[J]. 吉首大学学报(自然科学版) 2010(04)
    • [11].土地利用分类规则集的构建与应用研究[J]. 遥感信息 2012(01)
    • [12].基于粗集的最小规则集提取算法研究[J]. 微型机与应用 2010(05)
    • [13].基于条件公式的主动规则集可终止性判定[J]. 哈尔滨工业大学学报 2009(05)
    • [14].基于规则集的安全策略冲突检测与消解[J]. 军事通信技术 2016(01)
    • [15].基于增强条件公式的主动规则集可终止性判定[J]. 计算机工程与科学 2014(01)
    • [16].基于高分影像的水利空间要素提取规则集构建[J]. 地理空间信息 2016(05)
    • [17].含排他性选择规则的主动规则集的汇流性判定方法[J]. 计算机研究与发展 2013(S1)
    • [18].基于感知规则集策略的约束空间RFID室内符号定位算法[J]. 计算机科学 2016(10)
    • [19].基于规则集划分的多决策树报文分类算法[J]. 计算机应用 2013(09)
    • [20].SNORT规则集匹配的优化策略研究[J]. 河池学院学报 2010(05)
    • [21].基于条件冲突分析的主动规则集汇流性判定方法[J]. 计算机科学 2016(05)
    • [22].基于规则集成和RFA的中铁十三局发展预测研究[J]. 天津大学学报(社会科学版) 2012(06)
    • [23].基于多部情感词典和规则集的中文微博情感分析研究[J]. 计算机应用与软件 2019(09)
    • [24].一种生成最小关联规则集的算法[J]. 电脑知识与技术 2011(03)
    • [25].基于实例与规则集成的模架配置方法[J]. 中国机械工程 2009(04)
    • [26].Snort规则集的优化方法[J]. 计算机安全 2009(08)
    • [27].LCS在多步学习问题中的规则集压缩算法[J]. 华中科技大学学报(自然科学版) 2014(02)
    • [28].一种基于SFDD的状态防火墙规则集比对方法[J]. 湖南大学学报(自然科学版) 2014(10)
    • [29].基于规则集在智能建筑能源管理系统中的研究[J]. 山西电子技术 2019(04)
    • [30].基于安全配置督查的状态防火墙设计与实现[J]. 计算机与数字工程 2016(05)

    标签:;  ;  ;  ;  ;  

    基于膜计算的学习模型研究
    下载Doc文档

    猜你喜欢