一种基于遗传算法和模糊规则的分类算法

介绍了一种基于模糊规则和遗传算法的分类算法.首先给出一种模糊规则提取方法,然后遗传算法对模糊规则进行优化选择,最后对不能识别的样本启动触发器.该算法可以在保证分类正确性高的前提下尽量减少规则数,并提高样本识别能力.用Iris数据对该分类系统进行仿真,结果表明该系统具有良好的分类能力和精简规则能力.     

基于土壤系统分类的土壤遥感自动识别分类系统的设计

设计出基于土壤系统分类的土壤遥感自动识别分类系统(ASICS)的总体框架，并探讨了其实现方法．该系统由3部分组成：空间数据库、分类识别和结果输出．空间数据库由遥感数据和非遥感数据组成，遥感数据选择绿度指数图像、土壤专题信息增强图像和同谱土壤图像，非遥感数据包括高程、高差、坡度、坡向、粗糙率指数、水系密度、土壤发生分类类别．分类识别采取在非监督分类的基础上对土壤类型进行正向推理与逆向推理相结合的识别模式．用像结构建立了土壤分类识别的规则，构造了基于土壤系统分类的土壤分类判决树．     

基于云计算的商业情报采集系统

商业情报采集系统不同于传统的搜索引擎系统,情报具有时效性、针对性等特点,传统搜索引擎中的数据分类和聚类技术不能完全满足商业情报采集过程中对时效性和针对性的特殊需求。提出一种商业情报采集解决方案,在云计算环境中采用贝叶斯分类算法和多种网页去重、提取等算法,实现对互联网数据的实时性抓取、分析、分类、聚类,形成对用户全方位立体化的情报本体,抓取的海量数据采用分布式文件系统存储,采集的情报用基于云的数据库CouchDB存储。     

基于颜色特征的图像提取算法的研究

在图像分类识别、检索等应用中,颜色作为一种重要的图像视觉信息已得到了广泛的应用,文章探讨研究了当今主要的几种颜色特征提取算法：颜色直方图法、全局累加直方图法、局部累加直方图法和颜色参量的统计特征法,并分析比较了这几类算法的特点,试图为以颜色为特征的图像分类识别应用提供思路。     

高维基因表达数据集分类规则组的确定

目前基因表达数据分析的大多数算法都是探索性的选择基因来生成识别类（例如癌细胞组织与正常细胞组织）的规则组,对此本文提出了一种对基因表达数据集进行分类的稳健算法,确保可以找到最优的k个基因生成分类的规则组,并且通过试验表明由此算法得出的规则组比其他分类方法更准确．     

商务大数据环境下特定类型 用户智能识别方法

随着大数据时代的来临,商家拥有了越来越多的数据,从而能够准确识别出用户类型.准确的用户类型识别可以帮助商家进行精准营销,提高销售利润.由于商务数据存在数据不全等问题,若直接应用现有的分类方法识别用户类型,识别效果并不太好.借鉴关联规则算法的思想,设计一种商务大数据环境下可智能识别特定类型用户的方法.该方法首先选取种子商品,然后利用种子商品和其他商品的强关联规则,分层次赋予商品权重,再将权重映射到用户身上从而得到一个特征值,最后依据用户特征值来识别用户类型.该方法只利用购物记录数据,就能有很好的表现.通过真实数据集上的实验,以识别超市中婴幼儿家庭用户为例,证明了该方法的效果.     

雷达目标识别算法性能优化与评估系统

雷达回波信息量少,目标种类多,给雷达目标识别带来了困难.对不同种类目标,要用不同的特征组合和分类方法,才能得到比较正确的目标识别结果.研究设计了一种使用Qt与MATLAB混合编程的雷达目标识别算法性能优化与评估系统.在MySQL数据库的开发支持环境下建立目标识别算法规则库,使用Qt搭建系统框架和实现前台人机交互,使用MATLAB实现后台数据的计算处理和算法的评估与优化,实现了Qt关于MySQL驱动QMYSQL的编译和Qt通过引擎调用MATLAB的关键技术.整个系统以面向对象的技术和模块化设计思想进行设计,集成了数据导入、后台数据计算处理、识别规则管理、新识别方法输入等功能,为解决不同特征类型的智能化识别问题提供了有效的研究平台,使用方便,具有广泛的应用前景.     

一种基于序列挖掘的分类系统框架

为了有效地对序列数据进行分类，提出了一种集成分类挖掘和序列模式挖掘技术的分类系统框架(SPACS)．先采用一套约束和裁减策略，为每个分类挖掘频繁序列模式，并将其转换为分类序列规则(CSR)；再利用平均CSR匹配置信度和一个规则匹配算法构建有效的序列数据分类器．SPACS不需要在提取序列的特征后采用传统方法进行分类，可以直接利用从序列数据中提取出的频繁序列进行分类．实验结果表明，对于序列类型的数据的分类，SPACS比传统的决策树和关联分类方法具有更高的分类精度．     

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.     

一种不均衡数据的改进蚁群分类算法

针对蚁群挖掘算法(ant colony mining algorithm,ACMA)中的规则评价函数和规则修剪方法,提出一种改进的蚁群挖掘算法(improved ant colony mining algorithm,IACMA),并将其应用于不均衡数据分类.数值实验采用基准数据库中3种典型的不均衡数据,结果表明,改进...     

分类规则挖掘的免疫算法

为了高效地从数据库中挖掘分类规则，提出了一种基于免疫算法的分类算法．该算法的核心思想为：对规则的前件进行固定长度编码，适应度函数的计算由分类规则的较小分类错误率、简洁性、一致性和训练实例的覆盖性构成，通过把适应度最小的个体作为先验知识来修改个体的某些分量的方法进行疫苗接种，并通过检测个体是否出现退化和模拟退火来实现免疫选择，同时还采用了基于信息增益的规则剪枝策略．在美国加州大学标准数据集中的5个数据集上将该算法与RISE和OCEC算法进行了实验比较，结果表明该算法不仅具有更快的收敛速度，而且获得了更高的预测准确率及更小的规则集。     

数据分类技术在高校人才识别系统中的应用

提出将数据挖掘技术应用于高校人才识别中,采用数据分类方法对人才进行定量的识别,更具科学性.讨论了数据分类的定义和方法,介绍了决策树分类和简单贝叶斯分类以及贝叶斯网络推理的算法,并给出具体的数据分类实例,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、科学的技术支持.     

基于k-邻域相关性的多标签分类

多标签分类是指数据可以同属于多个类的分类问题,其数据特征和标签间相关性对分类结果存在影响。因此,提出一种融合前述两种因素的多标签分类算法。将数据用核函数进行特征映射,根据训练数据的k-邻域计算得到每个标签的最大后验概率;并将其加入到对应的数据特征中。用加入最大后验概率的数据特征训练分类器。通过在经典的yeast、scene和emotion数据库上实验,证明了算法的有效性。     

基于预测-校正原对偶内点法的多分类支持向量机学习算法

支持向量机基于统计学习理论,是一种新型通用的有监督的机器学习方法,其核心思想是使结构风险极小化,但是由于需要求解二次规划,使得它在求解大规模数据上具有一定的局限性,尤其是对于多分类问题,现有的支持向量机算法具有很高的复杂性.本文构造了基于线性规划的一对一三类结构支持向量分类器,可以直接利用比较成熟的线性规划算法——预测-校正原对偶内点法,并在此基础上提出了基于预测-校正原对偶内点法的支持向量机的多分类学习算法,这种算法可用于比较庞大的多类别识别问题,并且克服了标准支持向量机的一些缺点,而且模型简单,容易实现.针对UCI数据库上数据进行了实验,结果证实该算法具有较高的可行性和实用性.     

基于统计决策树的包分类算法

基于网络包分类算法在时间和空间复杂度上的限制,启发式策略一般具有较快的速度,同时在应用上具有较好的前景,提出了一种基于统计决策树的启发式包分类算法.该算法把规则头部中的每一位看作一个特征属性,因为不同位有不同的区分效果,根据对规则的统计把最具有区分意义的几位提取出来作为决策树的决策属性,使规则在子集中分布比较均匀,在子集中也做同样的处理,递归形成树形的数据结构;匹配时在树的每一层根据区分位判断其所属的子集,直到找到相匹配的规则.算法测试表明能实现高效的分类.     

基于超分辨ISAR成像的飞机目标SVM分类算法

利用最大熵谱估计方法对4种飞机目标数据进行外推处理,并在此基础上进行拟合成孔径(ISAR)成像.采用了ISAR图像的几何矩、基于几何矩的不变量、形状和量化能量带4个特征,研究了支持向量机的线性和非线性算法原理,提出了基于SVM的飞机目标识别和分类算法,采用了针对多目标分类的M-ary法对飞机进行分类,选取了每个目标的40个不同数据段进行成像,通过与几种常见的BP神经网络算法和RBF神经网络算法比较分析,验证结果表明此方法达到了较好的识别效果,识别率达到97%.     

数据挖掘分类算法刍议

本文主要针对数据挖掘分类算法研究现状,对目前发展较成熟的几种分类算法如决策树、关联规则分类、神经网络、贝叶斯方法、遗传算法等分别进行了论述,并且展望了数据挖掘技术的未来。     

基于部分支持度树的关联规则增量式更新算法

关联规则挖掘是数据挖掘技术的一种简单又很实用的方法,有着广泛的应用。该文利用部分支持度树的结构提出了对关联规则的增量式更新算法,用于解决向数据库中添加新的数据而最小支持度不发生变化时的关联规则更新问题。该算法有效地利用已挖掘的关联规则和保留的部分支持度树来改善性能,并且只需对新增数据库部分进行一遍扫描,从而进一步提高算法的效率。实验结果表明,该算法能有效地解决关联规则的更新问题,提升挖掘效率。     

基于分布式光纤声波监测数据和机器学习的井筒流体类型识别方法

基于建立的实尺寸水平井筒流体流动光纤监测模拟试验系统,开展油气水流动模拟试验,获得不同流体流动情况下的分布式光纤声波监测(DAS)数据;利用小波时间散射变换和短时傅里叶变换对DAS数据进行处理,提取流体流动特征,建立基于机器学习的井筒流体类型识别分类方法。结果表明：融合低方差散射特征和短时时频特征数据能提高流体类型识别的准确率,并且随机森林算法的识别结果优于BP神经网络和决策树;该方法为井筒多相流体流动识别提供了一种新的技术手段。     

一种基于分类的关联规则Apriori算法

关联规则的Apriori算法,在频繁项集的过程中要多次扫描数据库,而事务数据库中含有较多的冗余数据,极大地影响了频繁项集的提取效率。针对这些问题,提出一种基于分类的Apriori算法,在频繁项集提取以前,用分类的方法去掉无关冗余数据。实验结果表明这种方法较好地提高了Apriori算法的性能,在实践中有一定的应用价值。