一种新的决策树组合优化算法

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文对了GAAA算法进行改进提出了一种新组合优化算法,将其应用到分类规则的优化问题,采用遗传算法生成信息素分布,利用蚂蚁算法求精确解,优势互补,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出最优的分类规则集.     

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...     

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.     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法--基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则.根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集.     

一种新型的自适应多核学习算法

针对样本基数较大、 维数较高、 特征较复杂的数据集训练问题, 将支持向量机与蚁群优化算法相融合, 提出一种自适应多核学习算法. 利用吸引子传播聚类算法自适应地发现相似特征, 并据此利用蚁群算法自适应地选择核函数参数, 从而快速选择最优核函数. 通过UCI数据集的5组数据实验表明, 该算法相比于传统的支持向量机分类准确率和F₁值更高, 验证了该算法的有效性和可行性.     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法---基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则。根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集。     

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。     

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。     

利用域转换的三态内容寻址存储器报文分类算法

针对基于三态内容寻址存储器(TCAM)的报文分类存在范围扩张导致空间利用率较低的问题,提出了一种利用域转换的报文分类算法(DTRM).首先将规则集独立的范围预编码算法中范围规则编码所需的比特数量由2k-1替换为任意值,从而能够利用TCAM中的所有冗余位进行编码,实现新范围域的构建,然后利用范围规则的分布特征,以规则集能够表示为较少的TCAM表项为原则,设计域转换函数,将规则集原始范围域转换为新构建的范围域.报文分类时,利用域转换函数将报文头部转换为新构建范围域中的某一数值或范围,并与TCAM表项进行并行比较,最终得到分类结果.仿真结果表明,与并行报文分类算法相比,DTRM算法的范围扩张因子由1.6减少至1.21,TCAM空间利用率由63％增加至82％,同时支持规则的增量更新.     

微粒群算法在分类规则提取中的应用

分类是数据挖掘研究的主要内容之一,将微粒群算法应用于分类中,主要用于分类规则的提取,给出了适用于微粒群算法的分类规则编码,并构造了适应值函数,采用UCI标准数据集进行实验,结果表明算法的有效性。     

应用微粒群算法提取分类规则

分类是数据挖掘研究的主要内容之一,将微粒群算法应用于分类问题,进行分类规则的提取.对于微粒群算法本身而言,主要考虑两方面,一方面要考虑编码问题,另一方面要考虑适应值函数的定义.文章主要针对适应值函数进行研究,首先给出了前人提出的几种适应值函数,提出一种新的适应值函数,进一步采用UCI标准数据集进行实验,将几种适应值函数所得结果进行比较,结果表明该适应值函数的有效性.     

基于Gauss核函数的快速构造最小超球算法

为提高基于超球的支持向量机算法中样本数据较多时的训练速度,提出一种构造最小超球的并行融合算法.该算法将全部训练数据集依据特定策略分割成若干个子数据集,分别对各个子数据集进行训练,对所得到的各子数据集的支持向量与融合数据进行训练,构造最小超球.仿真结果表明,并行融合算法在保证分类精度的情况下,能够显著减少训练时间,提高效率,且支持向量的数目较少.同时也验证了该文对Gauss核函数分析的正确性.     

AUCBoost算法处理不平衡分类问题

在现实生活中很多应用都包含了对不平衡数据集的分类.由于不平衡数据集中多数类与稀有类的数量相差较大,所以大多数分类算法都不能够很好地对稀有类样本进行分类,而通常稀有类才是我们首要关心的,这就给不平衡数据的分类提出了挑战,为了更好地处理不平衡数据集的分类问题,本文提出了一种以基分类器的ROC曲线下面积(AUC面积)为分类权重的AUCBoost分类算法.     

蚁群-遗传融合的文本聚类算法

针对蚁群算法容易出现停滞现象而不能对解空间进行全面搜索的问题,提出了一种蚁群-遗传融合的文本聚类算法.该算法将影响蚁群算法性能的4个参数作为遗传算法中的染色体进行编码,基于此又设计出相应的适应度函数以及选择交叉变异算子,通过多次迭代找出最优的参数组合,并将其应用到文本聚类问题上.经与经典的k均值聚类算法、基本的蚁群聚类算法的仿真比较,结果表明所提出算法的聚类效果更好,在3个测试集上的F度量值要比k均值聚类算法分别提高5.69%、48.60%、69.60%,所以更适合于处理较大规模的数据集.     

一种基于证据理论的数据分聚类融合算法

为了有效处理模式识别问题中的不确定信息并提高数据分类精度,研究了一种新的证据分聚类融合算法(new evidence classification and clustering fusion algorithm,NECCFA)。首先使用证据K近邻分类算法为各目标数据构造一组初始基本置信指派。然后根据证据C均值算法的目标函数模型,并通过新算法的迭代寻优过程不断地对目标数据的基本置信指派进行完善。最后根据融合结果和所设定的分类规则判断目标的类别属性。通过模拟数据集和真实数据集实验,将新算法与其他几种常见方法进行了对比分析,结果表明能够有效提高分类准确度。     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

基于A*扩展自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法存在收敛速度慢、搜索效率低等问题,提出一种A~*扩展自适应蚁群算法.首先利用A~*算法在栅格环境下搜索初始路径,扩展初始路径构建优势区域,优化优势区域的初始信息素,避免蚁群算法在初期陷入盲目搜索;然后在转移概率中引入变向启发函数和参数自适应伪随机比例规则,提升算法搜索效率与收敛速度并淘汰劣质蚂蚁路径;最后采用B样条曲线对路径进行平滑.对比2种栅格环境下的仿真结果可知:所提出的算法能够有效地解决蚁群算法搜索效率低以及收敛速度过慢的问题,同时可以保证搜索路径的质量.     

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.     

一种自适应物种寻优的无线Mesh网络QoS路由算法

针对无线Mesh网络带宽、负载能量不均等情况引起的网络延迟,以及路由算法运算速度较慢等问题,提出了一种自适应物种寻优的无线Mesh网络QoS路由算法。该算法利用路径评价函数进行最佳节点路径的搜索并通过蚁群信息素更新规则来平衡网络负载,避免数据拥堵和传输延时,并结合量子行为粒子群优化算法的物种形成策略,提出一种领域最好位置的自适应搜寻方式,降低了网络延迟并提高了算法收敛速度。仿真实验表明,从网络延迟和算法收敛速度来看,该算法相比改进的蚁群QoS路由算法和基于遗传算法的QoS路由算法具有更良好的效果。     

一种改进的蚁群聚类算法在客户细分中的应用

分析了输入参数对算法聚类效果的影响,针对传统的蚁群聚类算法中参数设置依赖于经验的指导以及蚂蚁移动随机性大等问题,提出了一种改进的自适应蚁群聚类算法,算法中引入了自适应策略函数,通过设置相似度阈值,动态调整蚂蚁的运动状态,降低蚂蚁移动的随机性.将改进算法应用于客户细分,并将结果与K均值聚类算法进行了比较,实验结果表明:改进后的算法在迭代次数上更少,算法的收敛速度更快,识别客户的正确率更高.