基于粒子群优化算法的模式分类规则获取

提出了基于粒子群优化的规则提取算法．该算法将规则编码为粒子，通过粒子群优化算法的速度-位移搜索模型以及粒子保存的记忆信息指导生成模式分类规则集．算法用于Iris数据集模式分类规则的提取．与其他规则提取方法比较，该算法在提高分类规则正确率的同时减少了计算费用．     

基于共同进化计算的分类规则算法

为提高分类挖掘的准确度，在分析ID3，C4.5和进化算法（EC）的基础上，设计了两个共同进化的种群分别表示选择的属性子集和分类规则子集，提出基于共同进化计算的分类规则算法（CRCEC），并构建CRCEC算法的适应度评价函数．用4个加利福尼亚大学Irvine分校的数据集对CRCEC，ID3，C4．5和EC算法进行测试比较，结果表明CRCEC算法分类准确度高，可以得到简洁的、可理解性强的规则．最后给出了CRCEC算法在公路车辆征费分类预测系统中的一个应用实例．     

基于分类树的高效关联规则挖掘算法

在分析类Apriori算法存在效率瓶颈的基础上，提出了一个高效改进算法——基于分类树的关联规则挖掘算法．该算法只需要两次访问数据库，把数据库中的数据利用分类树来存储，减少了访问数据库的次数；并且由分类树的全部或部分来求得频繁项目集，减少了求频繁项目集的比较次数．此算法通过结合Apriori和FP—tree两种算法来提高挖掘效率，降低了挖掘算法的时间复杂度和空间复杂度．通过多次试验证明该算法比Apriori及其改良算法的挖掘效率高2到8倍．     

基于关联的自适应分类规则发现模型

为了对现实中的大规模数据集进行分类挖掘，提出了一个基于关联的自适应分类规则挖掘模型，研究了该模型在预处理、多层分类规则的挖掘、算法的可扩展性、效率和输入参数的自适应等方面的技术和方法．     

一种基于遗传算法的分类规则挖掘算法

对遗传算法应用于分类规则挖掘问题进行研究,提出一种基于遗传算法和Apriori算法的混合分类规则挖掘算法,该算法的具体方案包括分类规则编码、适应度函数定义以及对进化后的规则的约简方法,最后通过实例仿真证明了该算法的有效性。     

基于改进遗传算法的网络入侵检测

为了获得完备的入侵检测规则,使用一种改进遗传算法来生成规则,该算法使用排挤和梯度运算来获取局部和全局最优解,详细分析了利用该算法生成入侵规则的具体实现过程,对染色体编码,适应度函数以及遗传算子进行了设计和实现;在网络数据集KDDCup99上通过实验证明了此算法的有效性。     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法---基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则。根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集。     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法--基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则.根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集.     

结合链接结构聚类的混沌粒子群网页分类规则抽取

网页分类器设计的核心是对原始分类数据集进行分类规则挖掘,本文提出了一种结合链接结构聚类的混沌粒子群网页分类规则获取算法．算法将聚类和分类结合起来进行分类规则提取：首先用基于K均值的聚类算法对一部分有代表性的链接结构数据聚类,进行类别自动标注,形成训练集;再用混沌粒子群算法对已标注类别的数据提取分类规则．实验结果表明,这种模式充分发挥了基于链接的分类方法受人为因素干扰最小的优点,减少了人工标注类别的工作量,同时提高分类的准确率和效率．     

基于模糊概念相似性与模糊熵度量的模糊分类算法

在AFS(axiomatic fuzzy set)理论框架下,提出了一种基于模糊概念相似性与模糊熵度量的分类算法.模糊分类规则的前件通过概念聚合得到,一种基于模糊概念相似性与模糊熵度量的概念选择函数指导聚合过程;然后,利用剪枝算法对得到的模糊规则集进行剪枝,得到最终的分类规则集.用8组来自UCI数据库的数据集作为实验数据对算法进行验证,并与7种经典分类方法进行比较.实验结果表明该算法能得到较高的分类精度,分类结果明显优于参照的分类方法.     

基于免疫原理和Boosting机制的模糊分类规则挖掘算法

基于免疫原理和Boosting机制,提出了一种模糊分类规则挖掘算法.该算法主要借鉴于自然免疫系统中的克隆选择原理,通过抗体种群的演化来优化模糊规则.模糊规则库通过增量的方式产生,算法每次运行得到一个规则.Boosting机制用于调整训练数据的权值,使得新生成规则集中于当前未被覆盖或误分类的数据实例.仿真实验表明,所提算法可根据规则的分类精度来调整训练数据的权值,促进了模糊规则之间的协作关系,避免了规则之间相互冲突,提高了系统的分类精度.     

预测型关联规则演化学习的适应值函数

为了提高基于遗传算法的分类预测准确度,探讨了评价规则质量的适应值函数,提出了基于置信度和支持度加权和的适应值函数,以取代传统的基于灵敏性和选择性的适应值函数．理论分析和实验结果都表明,文中提出的新适应值函数对于预测型关联规则演化搜索的引导作用明显地优于传统的适应值函数．新的适应值函数有利于改进基于遗传算法的机器学习．     

一种自适应蚁群分类算法

将分类学习看作是一个找出最优分类规则的优化问题,提出一种自适应蚁群分类算法——AdaptiveL_AMP,以得到一组可理解的分类规则.在基于规则的分类方法中,规则评价函数的选取至关重要,本文提出的算法能够针对不同数据集自动选取与之相适应的规则评价函数以提高分类准确性.此外,为进一步提高算法的分类准确率,设计了一种局部搜索策略并将其融入到AdaptiveL_AMP算法中.最后对算法进行了分析,并在多个公用的真实数据集上与相关算法进行了比较,结果表明AdaptiveL_AMP算法能够更加有效地解决分类问题.     

求解约束优化问题的一种新的进化算法

针对约束优化问题引入半可行域的概念, 提出竞争选择的新规则, 并改进了基于竞争选择和惩罚函数的进化算法的适应度函数; 结合粒子群优化（PSO）算法本身的特点, 设计了选择算子对半可行域进行操作, 从而得到一个利用PSO算法求解约束优化问题的新的进化算法. 实验证明了算法的有效性.     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

基于粗糙集理论的规则提取算法

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。本文主要是提出了利用隶属度函数进行值约简的同时提取决策规则的算法。利用该算法可在不求得核值表的情况下,直接找到各规则的最小条件属性集,获得决策表的所有决策规则。