具有部分先验信息的贝叶斯分析法在模式分类中的应用

针对模式分类中高置信度的先验概率分布难以设定的问题,提出了一种新的应用贝叶斯分析进行模式分类的方法。该方法首先求得已知先验信息和各个可能的分类决策对先验概率分布的约束集,然后通过对他们进行比较确定待分类模式的类别。实例表明该方法能够有效地缩小待分类模式的可能类别集,从而为分类系统的下一步精确分类提供便利。     

用SE-DEA模型研究决策单元分类

通过一种改进的数据包络分析(DEA)模型——SE—DEA模型，可以对决策单元进行分类，但在可变规模收益(VRS)条件下，这种模型可能不存在可行解，论文讨论了基于VRS的SE—DEA模型不可行的充分必要条件。分析了有效决策单元的超有效和强超有效特性，实现对有效决策单元的进一步分类，最后给出了用基于VRS的SE—DEA模型对决策单元进行分类的方法步骤，该分类方法改进和改善了传统的决策单元分类，可为决策者提供更加完备的决策信息。     

基于区分矩阵和区分函数进行属性约简的数据分类

数据分类的方法直接影响着分类效果。用粗糙集理论中的区分矩阵和区分函数进行的属性约简可以很好地用于数据分类当中，基于此，提出一种数据分类方法，即用区分矩阵和区分函数约简掉信息系统中的冗余属性，得到必要的属性集；然后再约简掉每一条规则中的冗余属性值，提取出决策规则，最后按照决策规则进行分类。实验证明，用该方法实现的数据分类复杂馋低，且能有效提高分类效果。     

面向完整性管理的海洋平台高危设备维修决策

海洋平台设备维修管理中存在高危设备重要度及分类不清、维修方法不合理的问题，造成设备"维修过剩"或"维修不足"，维修成本高昂，甚至导致重大事故和经济损失等情况。综合考虑海洋平台设备特征、故障模式及管理要求等，确定出10项重要度影响因素，制定出10项重要度评价指标及评分标准，实现定性描述定量转化；采用层次分析法和Monte Carlo仿真方法，提出了海洋平台设备重要度评价方法，定量化评价设备重要度，并有效消除评分时的主观化影响；基于重要度累积频率，将设备分为3类，并分类建立维修逻辑决策图，实现基于重要度的设备维修决策。以井控系统为例，定量评价出其各个设备重要度，并进行科学分类，进而决策出其各自维修方法，有效验证了该方法的可行性。该研究可为油田企业建立科学、完善的设备完整性管理体系提供技术支持。     

模糊塔形结构中的区域模糊特征方法

本文引入了一个新的概念——区域模糊特征μ_j,以μ_j为模板在无限可分的具有互补特性的同心圆和扇形窗口上进行特征抽取和模糊塔形决策分类。本文通过归一化和角度校正等方法,使分类效果对旋转、位移、尺度变化均无关。本决策方法对若干个模式(其中有些模式很相似)进行分类具有良好的分类效果,且对有部分缺损的模式也能进行正确分类。     

基于贝叶斯决策模型的火灾报警模式识别系统应用研究

针对火灾报警系统中探测器在域值附近由于各种原因出现高漏报率和误报率的情况,提出了将探测器的量测判断作为一种模式进行决策分类.在分类过程中采用贝叶斯决策的方法,将报警的模式分类简化为离散情形下的二值分类的研究,同时依据分类平均风险最小的原则给出了分类的决策函数.实验表明本文提出的解决方法在减少火灾报警系统中的误报率和漏报率方面找到了一个新的方法.结论表明探测器临界局部取值采用模式分类的方法可以达到了比较好的效果.     

基于Dempster-Shafer证据理论的虹膜图像分类方法

为了提高虹膜图像的分类率，提出了一种基于证据理论的虹膜图像分类方法．该方法利用虹膜图像的纹理变化信息来提取虹膜灰度信号的比率特征，并结合证据理论实现了虹膜图像的决策分类，降低了不确定性因素对图像分类的影响，提高了分类率．在相同的实验条件下，对不同数量的虹膜图像进行了实验验证，结果表明，该方法在保持了分类稳定性的同时，其分类率比直方图交叉分类方法和直方图比率特征分类方法分别提高了6．96％和4．44％．     

基于决策理论的计算机自适应分类测试研究

研究了基于决策理论进行构建自适应分类测试模型以及使用该模型进行计算机自适应分类的测试过程.在实施过程中,首先根据分类和考生的先验信息以及观测到的考生的反应模式,采用最小差错概率决策准则对考生的掌握程度进行最优的估计;然后基于最小期望成本的方法为考生选择合适的测试项目;最后采用序贯概率比检验方法决定测试的终止并得到最终的分类结果.该方法基于弱假设,具有执行简单、分类效果好等优点.     

朴素贝叶斯分类器的误差估计

模式分类旨在依据识别对象特征的观察值将其归并至某个类别,贝叶斯分类决策可实现模式分类．给出一类遵从特征观察量独立性假设的贝叶斯分类器即朴素贝叶斯分类器设计．并给出朴素贝叶斯分类器的分类误差估计方法．理论分析与实验结果表明,朴素贝叶斯分类器设计方案可行,且其分类误差估计方法有效,可用于模式分类事务处理．     

基于并行权重自适应k-邻域算法的图像分类方法

针对现有KNN算法识别率低的问题，提出了一种并行权重自适应k-邻域算法。该方法首先结合多线程技术，并采用分类组合的多个KNN单元进行识别以提高执行效率；其次在分类组合KNN算法中采用深度学习模型对各个类别进行了系数权重自适应设定，进而降低传统KNN和分类组合KNN,由于单纯类别个数的多少进行决策或者通过人为设定类别比例进行决策而引起的分类误差。通过在Fashion MNIST手写数据集进行实验，结果表明：该算法将传统的KNN算法分类正确率提高到97%左右，对实际应用具有一定的价值。     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

一种改进ID3型决策树挖掘算法

分析经典ID3型决策树挖掘算法中存在的问题,对其熵值计算过程进行改进,构建一种改进的ID3型决策树挖掘算法.重新设计决策树构建中的熵值计算过程,以获得具有全局最优的挖掘结果,并针对UCI数据集中的6类数据集展开挖掘实验.结果表明:改进后的挖掘算法在决策树构建的简洁程度和挖掘精度上,都明显优于ID3型决策树挖掘算法.     

基于加权判决信号的判决反馈盲均衡新算法

判决反馈常数模盲均衡算法(CMADFE),在均衡的起始阶段,由于眼图未睁开,容易引起判决器的误判,导致收敛速度慢。为了减小误判的影响,在迭代初期把判决信号加权后送入反馈滤波器中,当均衡一段时间后再把判决信号不需加权直接送入反馈滤波器,从而得到加权的CMADFE算法。计算机仿真表明,加权的CMADFE算法提高了收敛速度,且均方误差亦有所减小。     

基于决策支持度的不完备信息系统约简算法

提出了一种基于决策属性支持度的属性相对约简算法。通过引入决策属性支持度对不完备决策表中属性的重要性进行了定义,并以此作为启发信息进行属性的选择,该算法的时间复杂度是多项式的。寻找决策表中最小相对约简问题是典型的NP-hard问题,采用该算法可降低问题复杂度。通过实例说明,该算法能得到不完备决策表的最小相对约简。     

分布式检测系统的反馈融合算法

通过分析分布式检测系统的工作原理，在原有并行反馈检测系统的基础上提出了一种新的局部检测器反馈融合算法．该算法利用检测器局部判决结果与数据融合中心融合结果的误差对检测器下一步判决门限进行修正，使各局部检测器可以根据所处的环境，采用不同的修正因子修正判决结果，避免了原有检测系统对所有局部检测器使用相同的修正因子所带来的系统性能损失，从而达到提高检测器检测概率的目的．仿真结果表明，该算法能有效提高系统的性能，对于慢起伏噪声信号具有良好的抑制作用，同时也指出了该算法的不足以及改进的方法。     

一种新的简化ID3决策树的算法

决策树简化是决策树学习算法中的一个重要分支。文章以 ID3算法构造的决策树为基础 ,提出了一种高效的简化决策树的算法。算法先序遍历由 ID3构造出来的决策树的各个节点并对其子树进行比较 ,如果各子树的属性都相同而且存在某些相应的分支对于各子树完全相同 ,则改变决策树中相应属性的层次关系并把相同的分支分别合并起来。算法减少了决策树的深度、宽度与叶子数目 ,降低了决策树的规模。尤其对于逻辑表达式的归纳学习 ,简化之后的决策树要明显优于原决策树。     

基于分布式结构的判决反馈数据融合算法

提出了一种新的分布式结构下的故障检测算法·在该算法中,不仅用于故障检测的多传感器数据被传送到数据融合中心,而且上一时刻的判决输出也反馈到融合中心·从理论上分析了应用此算法时全局判决概率的动态收敛性能,并证明了在平稳环境中,融合中心DFC(datafusioncenter)的判决以概率1收敛·该算法处理动态问题优于传统的无反馈的融合算法·     

基于区分矩阵求决策算法的约简

利用区分矩阵的特点，给出了另一种求决策表的属性约简与属性核、决策规则的约简与核的方法，进而给出了一种求决策算法约简的方法，这种方法简单易行，尤其在求决策规则约简时更体现了它的优越性。     

一种改进的决策树算法

为解决决策树算法ID3的多值偏向的缺点,利用属性相似度偏向少值属性的特点,提出一种将属性相似度作为信息熵的系数的属性选择标准,从而提出相应的决策树生成算法.实验结果表明,新算法既避免了以信息熵作为属性选择标准的决策树算法的多值偏向,也避免了以属性相似度作为属性选择标准的决策树算法的少值偏向.     

基于依赖度的启发式约简算法

知识约简是Rough Set理论研究中的核心内容之一。文章首先从知识协调性的角度,对知识决策表中属性的依赖度给出度量,并提出了一种基于依赖度的知识相对约简的启发式算法,分析了该算法的复杂性。通过对一个知识系统的实例分析,证明了该算法的可行性和有效性。