基于决策树方法的遥感影像分类

以齐齐哈尔市辖区为研究区域,利用分类回归树（Classification and Regression Tree,CART）算法从训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、纹理特征和地学辅助数据建立研究区的决策树模型.用实测的GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法（Maximum Likelihood Classification,MLC）进行对比.结果表明,基于CART的决策树分类结果的总精度和Kappa系数分别为82.24％和0.77,分类精度较MLC监督分类方法有明显提高,有较好的分类效果.     

C&RT决策树在民办高校招生中的应用分析

以往的数据挖掘技术的应用大多是在金融领域,而在其他领域里面应用不是很多,如在高校招生中的应用更是如此。在数据挖掘中,决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法,是用二叉树形图来表示处理逻辑的一种技术。特别适合于判断因素比较少、逻辑组合关系不复杂的情况。它可以直观、清晰地表达加工的逻辑要求,满足用户需求,为管理决策者提供相应的决策支持。以某高校招生数据作为基础信息为依据,对高校招生中生源地与报到情况等进行CART(Classification and Regression Tree)分析,将对决策树分析的应用做进一步的阐述。     

基于多准则神经网络与分类回归树的电信行业异动客户识别系统

以电信行业为应用对象,建立了一种基于多准则神经网络(MCNN)与分类回归树(CART)的的异动客户识别系统.该系统首先用多准则神经网络对客户属性进行约简,然后构造用于识别异动客户的分类回归树.通过对浙江省电信系统的大客户数据的实际验证,结果表明该系统具有较好的鲁棒性和有效性.     

用分类与回归树算法进行人才识别

高校人才的引进对学校的发展十分重要．传统的人才识别方式是考察引进人员的一些定性的指标来进行人才识别，这样难以保证识别结果的全面性、科学性和准确性．给出了一种新的定量的人才识别的方法，它是利用数据挖掘中分类与回归树(CART)的方法为理论基础对人才进行定量的识别，更具科学性．分类与回归树方法利用过去已有的引进人才的经验数据分析提取规则，为以后的人才识别提供合理的、科学的决策支持．     

用CART模型指导TBL算法预测语调短语

语调短语的自动预测是影响合成语音的可懂度和自然度的关键因素之一。该文提出了一种结合分类与回归树(classification and regression tree,CART)和基于转换的错误驱动的学习(transformation-based error-driven learning,TBL)算法的混合算法,从无限制的文本中预测语调短语边界。该方法根据CART模型的指导,自动生成TBL算法的规则模板,从而减少了规则学习过程中的人工参与。实验结果表明:基于该混合算法的语调短语预测的F-score达70.0%。自动生成的TBL模板不仅能较好地替代手工模板,而且在与手工模板一起使用时,也能为其提供有益的补充。     

使用多目标变模算法对单边带已调语音信号的盲分离

本文主要介绍了一种针对自适应阵盲算法:多目标变模算法-MT-VMA(下面用MT-VMA表示)。这种算法可以在强大的信道干扰情况下盲分离重叠的多路单边带语音信号,而且不用对波达方向(DOA)的预先估算或者对接收机数据校准而分离出有用的信号(SOIs)。本文通过仿真通过一个6单元的天线阵列,盲分离在HF频带6组重叠的单边带语音信号实例结果,介绍MT-VMA的主要功能结构和性能。     

高光谱图像植被类型的CART决策树分类

为提高植被分类的精度, 在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景, 基于CART（Classification And Regression Tree）算法构建决策树模型, 对高光谱图像进行植被分类。由于混合像元的影响, 以采用PPI（Pixel Purity Index）提取的纯净像元作为训练样本, 提取植被指数、 纹理和地形等分类特征变量。基于这些变量构建CART决策树对植被分类, 并将结果与最大似然法分类结果进行比较。结果表明, CART决策树分类法可实现光谱、 纹理和地形特征的有效组合, 有较好的分类效果。     

On the directional predictability of equity premium using machine learning techniques

This paper applies a plethora of machine learning techniques to forecast the direction of the US equity premium. Our techniques include benchmark binary probit models, classification and regression trees, along with penalized binary probit models. Our empirical analysis reveals that the sophisticated machine learning techniques significantly outperformed the benchmark binary probit forecasting models, both statistically and economically. Overall, the discriminant analysis classifiers are ranked first among all the models tested. Specifically, the high-dimensional discriminant analysis classifier ranks first in terms of statistical performance, while the quadratic discriminant analysis classifier ranks first in economic performance. The penalized likelihood binary probit models (least absolute shrinkage and selection operator, ridge, elastic net) also outperformed the benchmark binary probit models, providing significant alternatives to portfolio managers.     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。     

轻量化的增量式集成学习算法设计

常规的分类与回归树算法(classification and regression tree, CART)只能通过重新训练来增加对新类别的认知, 导致样本类别数量较多时训练成本大幅增加。针对这一问题, 提出一种轻量化的增量式集成学习算法: 当新的类别进入到训练集中, 只需在原有集成学习算法中添加具有开集识别能力的CART基分类器, 就可以实现对新类别样本的分类, 而不需要重新训练, 从而降低计算复杂度, 简化学习过程。以辐射源分类为背景的仿真实验表明, 该算法在信噪比大于等于-4 dB的环境中, 可以保持90%以上的分类准确率; 在类别数量较多的情况下, 相比常规CART, 该算法可以大幅度降低新增分类类别所需的训练成本。