基于蚁群算法的分类规则挖掘

在Ant-Miner算法基础上提出了一种利用蚁群算法解决分类规则挖掘的算法(ACR),设计了合理的蚂蚁选择属性及属性分区的概率公式,并对规则质量的衡量等策略进行改进,可以较好地挖掘分类规则.在标准数据集上通过与Ant-Miner算法和经典的基于决策树的C 4.5算法比较,ACR在挖掘分类规则的简单性、正确率上有较好的表现.     

基于蚁群优化的分类规则挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。在此提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的规则剪枝方法,提高了分类算法的效率和准确率。实验表明该方法是有效的。     

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...     

决策树学习方法应用于生境景观分类

遥感影像分类是进行景观生态学研究以及区域景观规划的基础工作,是获取环境资源与信息的主要手段。研究选取秦岭南坡地区100km2范围为实验区域,综合遥感影像、数字高程模型等空间数据,利用C5.0决策树学习算法从750个实地调查样点中自动提取分类知识、建立规则库并实现计算机自动景观分类;同时分析根据不同数量样点得到的决策树规则以及决策树分类精度变化的趋势。分析结果表明,在样点信息充分的条件下,利用决策树学习方法能够实现高景观分类精度;随着样点数量的增加,分类精度也随之提高,该研究中景观分类精度最高达到79.0%。     

基于遗传算法和信息熵的文本分类规则抽取方法研究

针对数据挖掘中的文本分类问题,提出了一种基于遗传算法和信息熵的文本分类规则抽取算法Genet-ic-Miner(简称GM),该算法的目标是在数据集中发现分类规则。首先利用信息熵生成初始种群,然后利用优化的遗传算法抽取相应规则。采用六个标准的公共领域的数据集比较了GM与其它两个非常著名的同类算法Ant-Miner和CN2,实验结果表明,无论是预测准确性和规则的简单性,GM都明显优于Ant-Miner和CN2,并且该算法能大大提高对知识的理解力。     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

基于可变精度粗糙集的规则挖掘矩阵算法

提出了一种基于可变精度粗糙集的规则挖掘矩阵算法,它是一个采用基于分类精确度的粗糙集模型进行决策规则挖掘的新方法,能有效地处理决策表的不一致性。实例结果和实际应用表明该算法是有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路。     

采用约束蚁群优化的贝叶斯网结构学习算法

针对贝叶斯网络结构学习问题,提出了一种约束蚁群优化算法.该算法根据贝叶斯得分的局部一致性原理设计了一种增边规则,并且将此规则引入蚁群算法的框架中,从而实现了在搜索过程中利用启发式信息动态缩减搜索空间、同时减少运行时间的目的.此外,还从理论上证明了增边规则的正确性,而且从实验角度讨论了约束蚁群优化算法的参数敏感性.实验结果表明,在解决较大规模的贝叶斯网络结构学习问题时,约束蚁群优化算法在保证求解精度的条件下比蚁群优化算法的运行时间减少40%以上.     

随机森林算法在干旱区土地利用遥感分类中的应用研究

为了验证随机森林算法在干旱区土地利用遥感分类中的效果,本文采用随机森林算法,结合Landsat8遥感影像以及DEM、NDVI等辅助数据,解译了干旱区典型流域玛纳斯河流域的土地利用图。分析结果表明:(1)分析决策树数量(k)和分类变量数量(m)对分类精度具有很大影响。通过优化2个参数得到最优随机森林模型,当k取103、m取6时,模型分类精度可达95%;(2)通过土地利用分类精度的影响因子分析发现,海拔高程和归一化植被指数对土地利用分类的影响程度比坡向的影响更大。(3)通过分类结果对比分析发现,应用随机森林算法分类的精度比用最大似然法的分类精度高9%,利用变量重要性筛选出的遥感波段构建优化随机森林模型,能有效降低遥感数据源数据量,而Kappa系数保持在0.97不变。随机森林算法可以在干旱区土地利用分类中广泛应用。     

粗糙控制可调精度规则挖掘模型与应用

针对粗糙控制中控制精度不高、控制效率低等问题,提出了基于区间概念格的粗糙控制可调精度规则挖掘模型,以降低规则挖掘成本及提高应用效率.模型首先对采集到的原始数据进行预处理,使其转化成布尔型的形式背景;其次,参照一般区间概念格的生成算法进行了粗糙控制背景下的区间概念格的构造;再次,提出可调精度控制规则挖掘算法,建立了基于区间概念格的粗糙控制可调精度规则挖掘模型,最后,模型分析和实例对比验证了模型在提高规则可靠性的前提下,实现了挖掘成本和控制效率的最优化.     

我国水资源短缺风险评估及空间分析

水资源短缺风险评价是目前风险领域研究的热点.为分析中国水资源的短缺程度,根据水资源系统存在的风险构建了水资源短缺风险评价指标体系及可变模糊模型,基于熵权与层次分析法(AHP)确定了指标权重,对全国80个二级流域水资源风险开展评估.结果表明:1)水资源风险评价指标体系及模型可以解释各流域现状水资源短缺风险;2)熵权法与层次分析法(AHP)结合更为合理的确定指标权重;3)基于GIS的风险区划表明我国水资源短缺风险空间差异较大,存在不同程度的风险.研究结果为国家宏观水资源管理及风险应对提供决策参考.     

基于人工鱼群算法的分类规则发现

人工鱼群算法(AFSA)是一种最新提出的新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力.利用鱼群算法进行分类规则挖掘,建立了相应的优化模型.通过对公用数据的实验和CN2算法的对比表明,本算法可得到预测准确率较高的分类规则,同时规则更为简单.     

基于数据挖掘和高光谱数据的湿地植被精细分类

以大丰市沿海滩涂湿地区域为研究区,以机载高光谱影像为主要数据源,冠层高度模型(canopy height model,CHM)数据为辅助数据,采用数据挖掘的方法对高光谱数据进行特征规则提取,实现了湿地植被的精细分类.结果表明:3种湿地植被分类结果的总体精度为90.3%,说明数据挖掘技术在处理高维数据时不仅可以提取重要程度较高的数据,而且可以减少数据量,提高数据处理效率与分类精度;与传统的支持向量机分类法(SVM)分类结果进行对比,基于数据挖掘的湿地植被精细分类总体精度比SVM分类方法高10.8%,表明数据挖掘方法在湿地植被高光谱遥感分类问题上具有较大优势.     

基于权值调整的文本分类改进方法

文本分类是文本挖掘的基础与核心 ,可广泛应用于传统的情报检索和 Web信息的检索与挖掘等。提出了一种利用权值调整思想对向量空间法 (VSM)和朴素 Bayes分类器 (NBC)进行改进的文本分类方法 ,并探讨了利用 EM算法进行无导师 Bayes分类的方法 ,设计和实现了一个中英文文本分类系统 CZW。 3组实验数据表明 ,用某些评估函数调节单词权值可有效提高 VSM和 NBC等文本分类模型的精度 ,并且训练文本规模越大 ,改进的效果越明显。 NBC的分类精度最高可达 86 %。     

基于人工神经网络法的遥感影像分类研究

在遥感和GIS的支持下,采用人工神经网络(ANN)法对研究区土地利用/覆盖进行信息提取,并对ANN改进前后的分类结果和最大似然法(MLC)的分类结果进行对比分析.实验发现采用改进后的ANN分类总体精度达到了93.91%,较改进前提高了2.16%,较MLC提高了6.44%.研究表明:使用ANN进行遥感图像分类,精度优于MLC,改进后的ANN精度优于改进前的ANN.与传统方法相比,ANN分类达到的精度更高,可更好地区分土地利用地类,提高土地利用信息的精度.     

基于改进XGBoost不平衡围岩超前分类方法的隧洞工程施工仿真研究

为了在围岩类别不平衡的条件下实现围岩类别有效判断,进而提高隧洞工程施工仿真准确性,基于改进极限梯度提升(XGBoost)不平衡围岩超前分类方法进行隧洞工程施工仿真研究。采用自动邻域确定合成过采样(AND-SMOTE)方法优化围岩类别不平衡性,并采用改进的XGBoost不平衡围岩超前分类模型进行围岩超前分类,进而优选仿真参数,提高仿真结果的准确性,其中,以模型交叉验证平均准确率为目标,采用哈里斯鹰优化(HHO)算法自动优化XGBoost超参数,以提高围岩分类精度。工程应用表明,相比未改进的XGBoost不平衡、KNN、SVC等6个模型,改进的XGBoost不平衡围岩超前分类模型分类精度更高;考虑围岩类别不平衡性后,改进的XGBoost不平衡围岩超前分类模型分类精度提高了8.6%;此外,基于围岩超前分类的隧洞工程施工仿真结果与实际进度的相对偏差相比传统仿真降低了11.3%,更符合工程实际。     

基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例

以湖北洪湖湿地自然保护区为研究区,采用随机森林算法对研究区内湿地信息提取.以Sentinel-2A遥感影像为数据源提取光谱特征、植被指数、水体指数、红边指数、纹理特征等特征变量,在随机森林算法框架下,对不同特征变量进行特征重要性评估,比较分类后精度并对特征组合进行优选.将基于随机森林算法的分类精度与传统的基于像元的支持向量机分类方法和最大似然分类方法的分类精度相比较,并通过双比例Z检验比较各算法中正确分类像元的比例统计各分类算法之间的分布差异.结果表明： 1) 特征个数为13时,分类精度达到最大,随着特征个数的增多,分类精度呈现波动减小的趋势; 2) 特征变量中蓝光波段重要性得分最高,达到2.85,可见光(B2、B3)与红边指数(IRECI、MCARI)重要性排名靠前,对于提取湖泊湿地信息具有重要意义; 3) 基于特征优选的随机森林方法分类精度优于支持向量机和最大似然法分类后的精度,其总体精度分别高出6.02%和7.57%;经检验, χ2分别达到25.891和38.895,具有显著差异,表明基于特征优选的随机森林算法分类对湿地信息提取发挥重要作用。     

蚁群优化算法在分布式知识管理系统中的应用研究

蚁群优化算法已成功地应用于复杂优化问题的求解,但其在知识管理领域的应用还是一个新的研究课题.本文介绍了一种基于蚁群算法的分布式分类规则挖掘算法,同时对多个场地的训练集挖掘,不仅可以获得较高的分类准确率,而且可以充分发挥分布式处理速度快和节省集成存储空间的优势.最后提出了基于群体智能的分布式知识管理系统的多Agent框架模型,并以学生成绩分析为例简单分析了在分布式知识管理中基于群体智能的分布式数据挖掘的具体应用步骤.     

挖掘关联规则的蚁群算法

基于蚂蚁的进化算法已经被广泛地应用于各种组合优化问题。首次结合蚁群算法提出了关联规则的蚁群挖掘算法(RA3)。利用数据集中属性和属性值对应超顶点和子顶点而构成无向图。蚂蚁对在无向图中不断地分别搜索挖掘频繁项集合,从而构成双规则前件、后件,并根据规则质量对双规则加以取舍。提出的算法可以在标准测试集中有效地实现关联规则的提取。与经典的Apriori和FP-growth算法比较,模拟实验证明,本文算法可以较快的挖掘出关联规则,具有较好的规则质量。     

基于免疫原理和Boosting机制的模糊分类规则挖掘算法

基于免疫原理和Boosting机制,提出了一种模糊分类规则挖掘算法.该算法主要借鉴于自然免疫系统中的克隆选择原理,通过抗体种群的演化来优化模糊规则.模糊规则库通过增量的方式产生,算法每次运行得到一个规则.Boosting机制用于调整训练数据的权值,使得新生成规则集中于当前未被覆盖或误分类的数据实例.仿真实验表明,所提算法可根据规则的分类精度来调整训练数据的权值,促进了模糊规则之间的协作关系,避免了规则之间相互冲突,提高了系统的分类精度.