基于决策树技术数据提取的应用

决策树技术在人工智能中得到了广泛的应用,将大量检测样本的数据进行采集,利用决策树实现数据处理,可以提取有用数据进行数理统计,从而提高生化分析的精度和分析速度,在医用生化分析上有重要意义.     

基于信息熵的决策树

熵是一个衡量系统混乱程度的统计量,将熵的概念引入决策树中,可以创建生成能够对数据进行更好地分类的决策树。     

贝叶斯决策的影响图分析方法

对一般的贝叶斯决策问题, 常用的求解手段是决策树分析方法。本文则用影响图分析方法对贝叶斯决策问题进行表征和求解, 并将两个方法作了比较。另外, 本文给出了关于影响图变换运算的两个新结果。     

基于多关系的空间分类算法研究

空间数据挖掘的应用领域很广,空间分类是空间数据挖掘中一项重要的任务,现有的空间分类算法都是基于传统的方法,在单表上进行的.本文提出了一种新的空间分类算法,基于多关系的方法创建决策树,并验证了算法的正确性及有效性.     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.     

基于粗糙集决策树算法的研究

传统的决策树方法在实际应用中存在很多不足,如生成树规模过大,抗噪性较差等,因此,提出了将变精度粗糙集和混合变量集算法应用于决策树分类中,通过变精度和混合属性集分类减小树的规模和过度拟合问题,降低了噪声数据对属性选择的影响,并通过实验证明该算法与传统的算法相比具有较大的优越性。     

基于决策树分类的云作业调度算法研究与实现

为了解决在云环境下,由于作业规模的不断增大和种类的不断增多而导致的调度执行混乱的问题,提出了利用决策树C4.5算法对调度作业进行分类的方法。该方法采用自顶向下的递归方式,将一组无序的数据整理成类似于流程图的结构,并对所得数据进行最大"差异"切分,最终得到大规模问题的简单集。将该方法应用于云调度算法中,参数反演结果反映了在执行效率和客户满意度等方面,较传统的调度算法都有较大的提高,从而也验证了该方法的有效性。     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。     

基于颜色和纹理特征融合的马铃薯分级方法

目前马铃薯分级主要依靠人工完成,而对马铃薯的自动分级研究主要是对形状和大小进行初步分级,为了更好地对马铃薯进行精细化分级,提出一种颜色和纹理特征融合的分级方法,将马铃薯按色泽、损伤和蔫坏程度进行分级。首先提取马铃薯图像的马铃薯的HSV(hue saturation value)颜色特征,采用小波变换提取纹理特征,对两特征进行特征融合,然后通过对比支持向量机(support vector machine,SVM)分类器采用不同核函数的分级精度,选择了分级精度较高的径向基(radial basis function,RBF)核函数,最后模拟生产线上的马铃薯分级环境进行试验。试验结果为:能够将马铃薯按色泽、损伤和蔫坏程度分为三个等级,分级准确率达到97. 67%,每帧图像的平均处理时间为1. 0 s。该方法可用于马铃薯的精确分级,有利于提升马铃薯的质量和商品化速度。     

基于粗糙决策模型和蚁群算法的故障诊断

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具,它能在保持信息系统分类能力不变的前提下,有效地进行知识约简;决策树算法可对约简后的决策表进行规则提取,有着直观、能定量分析的优点.提出一种变化趋势关联度来评价条件属性的重要性,建立粗糙决策树故障诊断模型,并在诊断推理中引入一种新的人工智能方法——蚁群算法,来确定决策树的最优检测次序.将其应用于工业精对苯二甲酸(purified terephthalic acid,PTA)生产过程中的对二甲苯氧化反应温度的诊断结果表明了提出方法的有效性.