基于资源竞争决策的森林火灾扑救智能决策支持系统

介绍了基于资源竞争决策的森林火灾扑救智能决策支持系统的结构、开发原理以及模型建立，同时提出了资源竞争决策的思想．资源竞争决策是一种能够应用于智能决策支持系统中的复杂的决策方法，具有应用领域广、适应性强、资源有效利用率高、评价机制完善等特点．     

基于随机森林的电机异音故障诊断方法

针对电机异音故障检测技术存在准确率低、模型复杂等问题,提出一种基于随机森林的电机异音故障诊断方法。通过自行研制的汽车智能座椅靠背电机振动测试平台,分析电机故障产生过程及异音的特征,并从时域中提取11个特征表征异音信号的变化;通过主成分分析法对所提取的特征进行降维,在训练基于随机森林和概率神经网络的电机故障智能识别方法基础上,通过自行研制的汽车智能座椅靠背电机振动测试平台采集数据,得到随机森林的平均识别准确率为95.11%±2.17%,概率神经网络的平均识别准确率为93.90%±2.16%。     

基于极大相容块的不完备信息处理新方法及其应用

针对不完备信息提出一种新的基于矩阵方法的极大相容块求取算法与属性约简方法,结合智能分类器给出不完备信息条件下的故障诊断方法 .首先,通过矩阵方法计算不完备决策表中的极大相容块;然后,利用所求得的极大相容块,提出一种新的属性约简算法,并与其他方法做对比;最后,将所提出的基于极大相容块的属性约简方法与智能分类器（支持向量机、随机森林、决策树等）结合,建立优化的智能故障分类器,将它应用于不完备信息条件下的故障诊断.以汽轮机组的故障诊断为例进行仿真实验,实验结果表明提出的针对不完备信息条件下的故障诊断方法可行、有效.     

基于极大相容块的不完备信息处理新方法及其应用

针对不完备信息提出一种新的基于矩阵方法的极大相容块求取算法与属性约简方法,结合智能分类器给出不完备信息条件下的故障诊断方法 .首先,通过矩阵方法计算不完备决策表中的极大相容块;然后,利用所求得的极大相容块,提出一种新的属性约简算法,并与其他方法做对比;最后,将所提出的基于极大相容块的属性约简方法与智能分类器（支持向量机、随机森林、决策树等）结合,建立优化的智能故障分类器,将它应用于不完备信息条件下的故障诊断.以汽轮机组的故障诊断为例进行仿真实验,实验结果表明提出的针对不完备信息条件下的故障诊断方法可行、有效.     

生产制造企业网络智能故障诊断算法

根据生产制造企业网络的特点,在智能故障诊断中,提出了一种基于分类采样的随机森林算法(CSRF).该算法结合随机森林算法基本原理,使用分类采样技术生成所需的训练样本,很大程度上解决了数据不均衡带来的问题.该算法为随机森林的每一棵分类回归树(CART)生成相应的训练数据,缓解了采样偏置,提高了算法的性能.实验表明:该算法与随机森林算法相比在准确率上提升了约4%,有效降低了故障诊断的风险.     

信息系统外包决策的一种模糊决策方法

针对信息系统外包项目优选问题,从用户公司自身角度出发,分析并归纳了影响外包决策的因素,主要考虑的因素有管理、战略、技术、经济和质量等5个方面·基于考虑这些因素的基础上,给出了一种应用于信息系统外包决策的模糊多属性决策方法,这对于用户进行信息系统外包提供了决策依据·最后给出了一个算例·     

关于多智能体的森林病虫害蔓延模拟的探讨

森林病虫害对森林、生态、社会造成了极大经济损失,我国的森林病虫害测报技术已有了很大进展,本文从森林病虫害的生物生态学特性出发,探讨了多智能体模拟理论与方法,建立了基于多智能体的森林病虫害蔓延模拟模型,进行了以松材线虫为例的病蔓延模拟,对于防治森林病虫害提供了一种可行方法。     

线上教学智能学业预警和精准干预研究

智能学业预警是教育大数据、云计算等智能技术应用的热点,许多研究采用数据挖掘、机器学习、深度学习等技术来预测成绩.在线上教学常态化的背景下,智能学业预警和精准干预为下一步混合教学和职业教育的"三教"改革决策提供实证,也是教育大数据的重要研究内容.本研究设计了基于随机森林的预测模型分析教师和学生行为,并评估教师和学生行为中...     

基于逐步Logistic回归下分类算法的个人信用评估分析

为了给消费者信贷决策提供合理依据,基于真实的客户信贷数据,运用逐步Logistic回归方法依据AIC准则进行变量选择建立经典决策树、条件推断树、随机森林、支持向量机等分类模型,并对4个分类模型的预测结果进行比较.结果表明:基于逐步Logistic回归建立的随机森林分类模型准确率达97％,预测效果最优;随机森林算法具有较...     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.