基于云模型理论改进的贝叶斯分类算法

基于云模型理论对朴素贝叶斯分类器进行了改进,使得分类器能够处理语言中的一些模糊值,扩展了朴素贝叶斯分类器的应用范围.使用UCI鸢尾花数据集对算法进行了实验仿真和结果分析.结果表明,改进后的分类算法在一定程度上提高了分类精度.     

决策树生成算法在税务稽查选案中的应用

介绍了数据挖掘和决策树生成算法,利用决策树生成工具对纳税人的税收数据进行挖掘,并对挖掘结果进行了分析。     

基于决策树构造神经网络的方法及应用

基于知识的神经网络KBNN(Knowledge-Based Neural Network)在提高神经计算性能方面效果显著,其构造方法基于已得的规则.利用决策树对数值数据的分割能力和神经网络准确的逼近收敛能力,提出了一种利用C4.5决策树从数据中自动提取规则生成神经网络的构造方法.该方法易于构造、收敛速度快、精度较高,在高速公路路面破损智能识别系统中使用效果良好.     

决策树分类算法研究

决策树分类算法是数据挖掘研究中的一个以样本数据集为基础的归纳学习方法，它着眼于从一组无次序、无规则的样本数据集中推理出决策树表示形式的分类规则，提取描述样本数据集的数据模型。讨论了决策树分类算法的基本原理，给出了算法的特性并通过一个实例给出了具体的使用方法。     

云模型优化径向基函数神经网络算法研究

径向基函数(RBF)神经网络广泛用于各类医学预测模型中,针对RBF神经网络隐含层高斯径向基函数的参数确定困难,影响癌症预后模型的因素具有多样性和模糊性等问题。利用云模型优化RBF神经网络算法,通过高维云变换确定RBF隐含层神经元,优化RBF神经网络结构。用来自美国国家癌症研究所监测、流行病学和最终结果(SEER)数据库的4 771例食管鳞状细胞癌患者数据建模仿真与传统的仿真对比,证明该模型预测生存期的C-index为0.705,远高于肿瘤等级、列线图和RBF神经网络(0.598、0.627和0.632),能更好更准确地对食管鳞状细胞癌患者进行预后预测。     

基于决策树的神经网络规则抽取方法

将从神经网络中抽取一个可理解的模型视为一个归纳学习任务 ,其中 ,目标概念就是神经网络表达的功能 ,所生成的可理解模型是一个能很好近似神经网络的决策树 .在这个过程中 ,应用了决策树归纳学习的优化原则 ,使得生成的决策树能最简洁、准确地描述神经网络学到的知识 .实验证明 ,生成的决策树可以很好地近似神经网络 ,且比用传统方法生成的决策树具有更好的分类精度 ,同时NNtoDT算法也保持了具有较好的通用性和可扩充性的特性 .     

决策树分类算法及其应用

分类算法是数据挖掘中的最重要的技术之一.本文对决策树数据挖掘方法进行分析和比较;并应用分类方法挖掘枣树嫁接成活率与各种外在因素之间的关系,证明了决策树算法在果树研究领域有着广阔的应用前景.     

基于复合式衡量准则的决策树生成算法

分析了多种已有的衡量准则(如信息熵准则、Twoing准则、Gini准则、MaxMinority准则、SumMinority准则),并在此基础上提出了采用复合式衡量准则的决策树生成算法.在一定程度上克服了采用单种衡量准则所带来的算法不稳健性问题,并改善了决策树的结构和分类正确率.     

基于决策树 ID3算法研究与实现

F:阐述数据挖掘的决策树算法,对ID3算法基本理论和原理进行介绍,运用该算法对教师教学质量测评数据进行分析,构造出质量测评数据决策树模型     

数据挖掘中决策树分类算法的研究

决策树方法是数据挖掘中一种重要的分类方法,决策树是一个类似流程图的树型结构,其中树的每个内部结点代表对一个属性的测试,其分支代表测试的结果,而树的每个叶结点代表一个类别。通过决策树模型对一条记录进行分类,就是通过按照模型中属性测试结果从根到叶找到一条路径,最后叶节点的属性值就是该记录的分类结果。     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型.首先,融合卷积神经网络(convolutional neural network,CNN)和长...     

风险投资退出决策的BP神经网络模型

在总结相关文献中风险投资退出决策影响因素的基础上,建立了风险投资退出决策的BP神经网络模型,并对模型的可行性进行了算例分析.     

基于人工神经网络的多属性决策

研究利用ＢＰ人工神经网络解决多属性决策问题。根据价值函数的存在定扩展多属性决策问题的价值函数,利用一个３层ＢＰ网络任意逼迫多属性决策问题的价值函数,从问题本身抽取学习样本训练ＢＰ网络,构造该问题的价值函数,利用训练后的ＢＰ神经网络作为多属性决策问题的价值函数计算各方案的价值。实现了多属性决策问题的自动化,计算结果与用传统工具的计算结果基本一致,并且满足Ｐａｒｅｔｏ最优准则。     

一个基于人工神经元网络的决策支持系统

运用人工神经元网络的学习优点，针对一类多级指标体系进行综合评价的决策问题构造一种支持非结构化决策问题的系统模型，并利用该系统模型建立一个企业出口潜力决策支持系统，试图对企业出口潜力进行综合评价．     

一类新型神经网络模型及其控制器设计

提出一种新型神经网络模型(HNM)·此模型是一种本质非线性模型,但可以应用线性控制理论的成果来设计稳定的控制器,并且模型中的连接权系数有各自的物理意义,可以通过经验来确定其初始值·同时通过分析对角矩阵的稳定性,给出了基于HN模型的控制器的设计方法及稳定性证明·仿真结果表明HN模型的有效性及控制器的优良性能·     

核相关神经网络点云自动配准算法

点云配准是点云数据智能处理的重要问题,也是将点云应用于智慧城市、自动驾驶和智能三维重建等方面的关键。针对现有点云配准方法效率低、鲁棒性差的问题,提出了一种基于核相关神经网络的点云自动配准算法。首先构建点云核用于计算点云中每个点的核相关度,然后通过多层感知机对点云进行特征编码,基于编码特征向量估计点间对应关系并求解变换参数,最后以迭代方式来使待配准点云不断逼近目标点云,完成点云配准。使用斯坦福大学3D扫描模型库中的Bunny、Dragon、Happy、Elephant、Horse点云数据,对该算法以及迭代最近邻点算法（ICP）等多个算法进行对比实验。实验结果表明,所提算法能够对不同物体点云实现精确配准,精度和效率均优于所对比算法,且在点云数据存在噪声和密度不一致的情况下仍具有良好的稳定性和精度。     

基于云模型的网络安全评估研究

对网络安全进行评价,采取的常用模型是云模型,采用这个模型的优点是:不用将原始的数据进行分析和研究,就可以直接得到结果,它采用的方法是态势评价,对原始数据没有很大的依赖性;预测研究具有的特征是随机性和模糊性,所以预测研究也会使用云模型。云模型针对评价网络安全、态势预测,提出一种新型算法,该算法具有映射性的,对计算的正确性有着显著的提高。     

硬度转换的神经网络模型

基于人工神经网络理论，建立了各种硬度值之间相互转换的完整一的神经网络模型，该模型可实现各种硬度之间的线性与非线性映射，并对硬主莆中没有的数据给出准确的预测，克服了查表法的不足，较线性回归具有更高的精度，网络模型可嵌入机械ＣＡＤ系统中，方便中种硬主之间的转换。     

BP神经网络拟合平稳跟踪眼震信号

在前庭功能检查中,要对平稳跟踪信号进行分析,必须先对实验者的跟踪数据信号进行曲线拟合。由于BP神经网络可以实现输入和输出间的任意非线性,使得它在函数逼近上有广泛的应用。因此本文用BP神经网络对平稳跟踪信号进行曲线拟合。对网络的训练方法采用贝叶斯正则化算法。实验表明,拟合的曲线和正弦曲线基本吻合,尽可能的通过了样本点,也排除少数点的干扰。     

基于神经网络的入侵检测模型

对当前网络上的入侵和入侵检测技术进行了分析,论述了神经网络应用于入侵检测系统中的优势,给出了一个基于神经网络的入侵检测的实施模型。