基于聚類的覆蓋優(yōu)化方法及其在協(xié)作式搜索中的應用.pdf

1、基于覆蓋的神經(jīng)網(wǎng)絡學習算法大多數(shù)都屬于示例學習,本文提出一種新的求覆蓋方法——反饋式觀察學習方法。其思想是利用聚類的方法求簇(覆蓋),然后對其學習的結(jié)果進行指導反饋,其本質(zhì)是一種有師指導學習過程中指導推遲的學習方式。形成的覆蓋形狀可以是多樣的,覆蓋數(shù)大大減少,優(yōu)化了覆蓋領域,實驗證明其有效性和抗噪聲能力。
　　本文先從覆蓋的基本概念出發(fā),分析了各種覆蓋優(yōu)化算法的特點,并對最優(yōu)覆蓋的概念進行了初步的探討,得出最優(yōu)覆蓋的幾個原則。緊接

2、著對傳統(tǒng)的求覆蓋方法提出問題,簡要分析問題的原因后提出可以利用聚類方法的特點去克服這些問題,即用聚類的方法來求取覆蓋,在對聚類方法簡要的介紹后提出基于聚類的覆蓋優(yōu)化方法(A Learning Algorithm of Optimum Covering Based on Clustering),簡稱CbC,并通過實驗驗證了該算法的有效性和可行性。最后,通過對實驗的分析,提出把聚類求覆蓋的方法與普通求覆蓋的方法結(jié)合起來形成基于聚類優(yōu)化覆蓋的

3、集成學習方法,通過實驗證明了其有效性,并在文本分類實驗中也有較好的準確率。
　　基于聚類的覆蓋優(yōu)化方法在文本分類中也有著不錯的準確率,所以把其應用到全文搜索中的文本分類。本文是利用P2P的技術(shù)實現(xiàn)點點之間相互協(xié)作搜索,并對搜索的結(jié)果進行歸類,方便用戶分類查找。基于P2P的搜索也是近年來搜索研究的一個熱點。
　　論文所做的工作如下:
　　(1)本文主要是把聚類方法引入到覆蓋的求取中,求得的覆蓋形狀各種各樣,表示形式也是多

4、種多樣的,為覆蓋的求取提供一種新的途徑。
　　(2)聚類優(yōu)化覆蓋(CbC)與其它分類方法集成起來形成基于聚類優(yōu)化覆蓋的集成學習方法,實驗證明其方法的有效性。
　　(3)把聚類優(yōu)化覆蓋的集成學習方法應用于全文搜索中的文本分類,并應用于協(xié)作式搜索,實現(xiàn)互聯(lián)網(wǎng)上任何兩臺機器之間都可以相互協(xié)作搜索,實現(xiàn)點對點的信息共享。
　　本文在基于聚類優(yōu)化覆蓋算法方面和協(xié)作式搜索方面完成了一定的工作,但是還存在一些不足,今后可以在以下方面