支持向量机技术及其应用．

本文对支持向量机的原理和应用进行了论述。对支持向量机技术在文本识别、数字识别、人脸检测、人脸识别、人脸认证、特征提取方面的应用进行了讨论,并指出了支持向量机技术在应用研究中一些待解决的问题和研究方向。     

通过数据挖掘技术预测学生学习成绩

介绍了数据挖掘的基本知识,数据挖掘的功能与方法,并通过数据挖掘,找出了影响学生学习成绩的关键环节。     

数据挖掘技术在全断面掘进机故障诊断中的应用

分析了全断面掘进机复杂的故障机理和运行参数,研究了将粗糙集和决策树应用到数据挖掘中的方法.以全断面掘进机刀盘的一些实时数据为例,采用MATLAB 7.0对数据进行离散化处理,结合粗糙集属性约简的算法对故障样本进行冗余属性的约简;然后,利用决策树算法对约简后的故障样本集进行规则提取,利用数据挖掘工具Clementine实现了C4.5算法和改进的C4.5算法,对其结果进行了对比分析;最后,运用VB编程对全断面掘进机采集的部分数据进行测试,结果表明该融合算法是一种快速、有效、可靠的故障检测与诊断的新途径.     

基于决策树的多源遥感数据分类

遥感影像是获取土地覆盖信息的重要手段。分析了影响决策树分类的特征因子,并根据这些因子构建分类决策树。结合中分辨率多源遥感数据,对贡嘎山区进行土地覆盖分类,通过与最大似然法分析对比,基于决策树的多源数据分类对试验区的分类精度(总体精度85.71%,Kappa系数0.83)远高于基于像素的最大似然法监督分类(总体精度63.56%,Kappa系数0.58)。     

雷64区块砂砾岩储层岩性识别方法研究

在取心、岩石物理实验的基础上,采用统计方法对雷64区的岩性进行研究,将其分为砂质细砾岩和不等粒砂岩两大类.利用直方图法优选出识别这两大类岩性的敏感测井曲线,并且依据优选出来的敏感测井曲线,建立了用于识别砂质细砾岩和不等粒砂岩的测井响应交会图法、决策树模型、系统聚类模型.通过对上述三种模型进行精度分析,发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.同时利用所建立的两种决策树模型对雷71井进行岩性识别,将识别结果与实际取心对比,发现综合判断准确率均大于85%.结果表明,给出的决策树模型可很好地用于该地区砂砾岩储层的岩性识别.     

基于模糊决策的不完整数据分类算法

中医药领域不完整的数据普遍存在,而数据的不完整很大程度地降低分类模型的学习效果。大多数已有的处理不完整数据的分类算法只关注在其学习阶段处理不完整数据,而对于不完整数据出现在分类阶段则不能处理或效果不好。文章提出一种新的分类算法用于处理不完整数据的分类问题。首先给出一个新的用于处理不完整数据的决策树算法,并针对传统的Boosting算法在迭代过程中使用确定性决策方法而没有充分考虑到数据集中的不完整数据,进一步提出改进的Boosting算法,在迭代过程中对每一个假设使用模糊决策方法,权重的更新机制是增加错误分类样本的权重和减少正确分类样本的权重,最终使用加权投票的方式得出最优的分类结果。最后,通过两组实验证明提出的算法策略在处理不完整数据问题时的优越性。     

ID3算法在毕业设计(论文)成绩管理中应用研究

利用数据挖掘技术快速而准确的提取有价值的教学信息,是提高教学质量,增强学生综合水平的重要途径。笔者利用数据挖掘技术中的ID3分类算法,对我校毕业生的毕业设计(论文)成绩进行深入的挖掘,从而挖掘出影响我校毕业设计(论文)成绩的因素,为教学管理者和指导教师提供有用的信息,进而获得更好的管理效益和提高论文指导的质量。     

基于决策类划分新型多变量决策树算法实例分析

利用"基于决策类划分的新型多变量决策树算法"中的五大步骤,以"气象信息系统表"为实例构造多变量决策树,取得的结果与著名的单变量决策树(ID3)方法和粗糙集多变量决策树方法所获得的结果相同,证明本算法有效。其决策树构造过程简单,易于理解。通过时间复杂度的比较,证明本算法优于粗糙集算法速度更优和ID3算法。     

辅助室内定位的关键人体姿态识别

基于步行者航位推算的室内定位方法中位移的计算一定程度上依赖于人体姿态的正确识别。原地踏步和走路是其中主要的关键姿态,两者的加速度信号相似,传统方法很难进行高精度的区分,导致航位推算的步长计算错误。基于惯性传感器进行室内场景中八种人体姿态识别研究,根据运动强度的不同采用分层分类法。首先将原地踏步和走路归为一类,通过时域特征结合支持向量机(SVM)进行姿态分类;然后利用加速度的时域和小波特征以及磁场特征,结合Ada Boost方法进行二分类。关键姿态的识别准确率超过96%,对包含复杂运动姿态的步行者室内定位起到更佳的辅助作用。     

基于决策树和BN的自动驾驶车辆行为决策方法

交通环境中存在着众多影响自动驾驶车辆行为决策安全的不确定性因素, 准确并及时地处理不确定性因素对自动驾驶车辆安全至关重要。因此, 建立了以人工驾驶行为分类为基础的贝叶斯网络(Bayesian network, BN)行为决策模型。利用决策树分类算法对人工驾驶行为进行分类, 利用BN建模驾驶环境并生成最优驾驶动作, 此方法既可以及时地分析人类驾驶员行为类别, 又能够充分考虑驾驶场景中的不确定性因素。利用仿真工具PreScan设计仿真实验, 仿真结果表明行为决策模型能够给出安全、合理的自动驾驶车辆行为。