一种高效的实时交通信号灯控制算法

针对交通信号灯实时控制问题,设计了一种以最小化车辆等待时间为目标的数学模型,并给出了一种能求解该模型最优解的启发式搜索算法.仿真结果显示启发式搜索算法存在求解时间长,求解效率不稳定等问题.因此在原算法基础上加入了多阶段决策优化方法,并且在各个阶段中采用了限时搜索,使得算法能在固定时间内得到结果,保证了算法的稳定性和实时性.通过实际数据仿真显示,优化后的算法对比固定周期算法减少了车辆的等待时间;对比原始的启发式搜索算法,提高了求解效率,满足了实时控制的要求.     

考虑后悔规避的突发事件应急响应的风险决策方法

针对突发事件发展演变存在多种可能情景且实施不同应急方案时各情景发生概率不同的应急响应风险决策问题,基于后悔理论的思想,提出了一种考虑后悔规避的突发事件应急响应的风险决策方法.在该方法中,首先分别针对突发事件造成的损失以及方案实施成本计算应急方案的效用值;然后,分别针对突发事件造成的损失和方案实施成本,计算各应急方案的后悔值,进而得到分别针对损失指标和方案实施成本的决策者对应急方案的感知效用;进一步地,将针对损失指标和方案实施成本的感知效用进行综合集成,得到应急方案的综合感知效用,并依据综合感知效用的大小确定应急方案排序.最后,通过一个算例分析说明了该方法的可行性与有效性.     

基于决策欺骗自适应修正的情景感知推荐方法

受决策心理相关理论启发,提出了一种基于决策欺骗自适应修正的上下文情景感知偏好获取方法.首先基于同类中心点行为距离获取用户历史行为中的伪偏好行为,将上下文行为波动与偏好波动交叉验证,并结合模糊隶属函数以关联伪偏好行为与其所属决策欺骗类,最后分别融合相应的行为补偿策略来获取上下文环境下的用户偏好.在大规模真实数据集上的实验结果表明:与经典的协同过滤算法及上下文感知算法相比,推荐精度平均提高2.5%以上,推荐多样性平均提升近3%.     

基于数据挖掘的蔬菜图片病害自动分类

为了对蔬菜病害进行自动检测和分级,克服传统的评估方法检测成本高、划分等级随意性比较大的缺陷,探讨了基于蔬菜图像的病害等级自动分类,设计了预处理技术提取图片特征.具体方法是对叶片图像进行分割并转变为分布概率的灰度矢量.在此基础上利用数据挖掘技术建立决策树模型,利用该模型对未分级叶片的级别进行预测.还引入了元挖掘算法Bagging,与决策树模型综合使用,进一步提高了预测效果.实验表明这一蔬菜病害等级自动分类方法准确度较高,具有较好的实用价值.     

基于多维动态博弈的技术研发投资模型

针对军用技术研发投资的特点,在一般技术研发投资决策模型基础上,用效用率代替收益率,并引入多维动态博弈理论进行研发体系间的对抗分析. 建立了一个完整的定量分析模型,并用军用微小型技术研发项目对相对效用率、所需投资经费、影响系数进行对比分析,证明了该模型的科学性.     

绿灯充足时段交通违法监控对车速及行为决策影响分析

为了解信号交叉口处绿灯充足时段交通违法监控是否对机动车车速及驾驶人驾驶行为决策产生影响,运用录像法,分别对经过青岛市黄岛区2类4个信号交叉口绿灯充足时段的机动车进行调查。采集了车辆经过交叉口的车速、加速度、所在车道等具体数据,对经过2类信号交叉口的车速及行为决策进行对比分析;并运用logistic回归模型建立信号交叉口驾驶行为决策模型。结果表明在绿灯充足时段,在装有交通违法监控的信号交叉口,进入交叉口前的机动车车速较低,且离散程度较小;进入装有监控的信号交叉口时,驾驶人采取匀速行为决策的比例比无监控情况高22.78%;较减速行为决策相比,加速和匀速行为决策与交通违法监控、车速及所在车道有关。     

决策树在汽车评测中的应用研究

阐述了ID3决策树算法原理,分析了汽车评测数据,提出了应用决策树来处理汽车评测问题的方法,该方法利用训练数据的信息增益来构建评测模型,并通过对评测模型的查找来完成其它数据的分类预测.实验结果表明：利用决策树来处理汽车评测问题具有良好的预测准确率.     

企业节能评价专家系统的开发及应用

通过运用模糊决策方法和推理机原理,结合企业的管理和技术评价指标,建立了节能评价专家系统的评价模型,并用VC＋＋开发了专家系统软件平台．通过将各企业实际参数输入到软件中进行运行,其运行结果表明,专家系统评价结果与实际情况相符合．据此,政府和企业相关监管部门可以使用该专家系统评价各企业的节能水平以及开展节能激励机制．     

多策略融合的SVM决策树构建

为了在提高文本分类效率和提升分类速度间进行平衡,综合考虑SVM决策树的深度、均衡度、构造方式、类内样本数、类间相似度等对分类结果的影响,提出针对海量文本多分类问题的SVM决策树构建算法.在大规模语料库上的文本分类实验表明,该算法可在一定程度上提升分类效果,同时可以大幅减少训练和测试时间,方法可行且适应性强.     

大数据环境下的不确定数据流在线分类算法

在大数据环境下,由于隐私保护、数据丢失等原因,数据普遍存在不确定性;数据流系统中数据不断地到达系统,只扫描一遍且不能一次性全部获得;所以要构建一个增量分类模型来处理不确定数据流分类.本文基于VFDT算法提出了WBVFDTu算法,该算法在学习和分类阶段都可快速而有效地分析不确定信息.在学习期间,采用Hoeffding分解定理构造决策树模型;在分类期间,在决策树的叶子节点利用加权贝叶斯分类算法提高模型的分类准确率和算法的执行效率.最终证明该算法能够非常快速地学习不确定数据流,提高分类的准确率.