基于决策树和BN的自动驾驶车辆行为决策方法

交通环境中存在着众多影响自动驾驶车辆行为决策安全的不确定性因素, 准确并及时地处理不确定性因素对自动驾驶车辆安全至关重要。因此, 建立了以人工驾驶行为分类为基础的贝叶斯网络(Bayesian network, BN)行为决策模型。利用决策树分类算法对人工驾驶行为进行分类, 利用BN建模驾驶环境并生成最优驾驶动作, 此方法既可以及时地分析人类驾驶员行为类别, 又能够充分考虑驾驶场景中的不确定性因素。利用仿真工具PreScan设计仿真实验, 仿真结果表明行为决策模型能够给出安全、合理的自动驾驶车辆行为。     

基于Adaboost的作战目标属性判定方法

传统作战目标属性判定主要采用指挥员现场判断的定性方法, 具有一定的主观性, 并且由于缺乏较为成熟固定的算法而难以纳入指挥平台中。针对此问题, 结合作战目标属性判定关键影响因素分析, 提出一种基于自适应提升(adaptive boosting, Adaboost)的作战目标属性判定方法。首先, 针对目标有效面积、目标配置区域面积等关键因素, 采用单层决策树算法构建弱分类器。然后, 利用Adaboost对弱分类器进行加权组合, 形成作战目标属性判定的强分类模型。最后, 进行了示例分析, 并与决策树、支持向量机和人工神经网络3种属性判定方法进行对比仿真实验, 证明了所提方法的正确性和优越性。     

决策树研究新探

决策树方法一直被用于贝叶斯决策问题的最优方案选择，即从若干决策方案中选择一个最优方案。决策问题中所含的方案数量在决策树中是隐性的。利用传统的决策树方法，无法确定一个次优方案，对所有方案进行排序也很难。从这个意义上来说，决策树法不如策略矩阵法有效。该文结合有一个实例，讨论了利用决策树对贝叶斯决策问题的决策方案进行选择和排序的方法。     

基于数据挖掘技术的抽油机泵参调整DSS决策支持系统

以示功图数据和一些相关的生产数据为研究对象，引入数据挖掘技术，用决策树建立分类模型，建立了一个以泵况分析和泵参调整为目标的DSS决策支持系统。     

序规则挖掘系统的设计与实现

数据集中对象之间的顺序与对象属性的顺序之间相关性往往是隐含的,分析挖掘这种潜在相关性进而用规则(序规则)表示是十分重要的.该文介绍了一个序规则挖掘系统的设计与实现,主要介绍了系统的数据预处理部分,序规则挖掘与生成算法部分特别是有序决策树(ODT)算法.     

一种基于决策树的乳腺癌计算机辅助诊断新方法

选取500例乳腺癌病例为数据样本，每个样本由9个细针吸取细胞学指标组成，将样本随机分为训练集和测试集，然后利用决策树方法从训练集中学习得到诊断模型，经测试集测试．结果表明决策树的诊断准确率高迭97．33％，灵敏度和特异度分别为98．28％和96．74％．因此，决策树是一种简便可行的计算机辅助诊断方法．     

数据挖掘技术在团体医疗保险中的应用

将数据挖掘中的决策树技术应用于团体医疗保险理赔数据库中，提出了基于Clementine数据挖掘平台的理赔风险解决方案，为保险公司团体医疗保险理赔风险规则的提取和费率厘定提供决策依据，以提高团体医疗保险管理的科学性．     

C4.5算法在高职学生对口就业因素分析中的应用

针对高职院校专业对口就业率不高的典型问题,进行了毕业生跟踪回访及问卷调查,并以大学期间有无明确的职业规划、是否参加过专业兴趣小组、专注做事及自身性别作为观测点来分析其影响学生专业对口就业情况;构建高职学生对口就业因素分析数据仓库并对数据进行清洗与转换,应用决策树C4.5算法对预处理后的数据进行分析,建立高职学生专业对口就业因素分析的决策树模型,从中抽取出影响高职学生对口就业因素的潜在规则并对其做了验证分析;挖掘出的规则为加强高职学生日常行为引导、专业对口就业提供了有益参考。     

随机森林分类用于雷达信号预分选新算法研究

 现代战争中,雷达电子战环境越来越复杂,随着雷达种类的多样化和雷达脉间调制方式的复杂化,对信号分选的识别难度也愈加增大。本研究采用随机森林算法对脉冲描述字特征进行预分选,可自适应的对特征进行选择,并实现分类。随机森林由于可以自动进行特征选择,可对不平衡的数据进行误差平衡等优点,通过多决策树表决方式,可以迅速完成对大量数据快速训练。在脉冲丢失导致的部分特征损失的情况下,仍可以维持识别准确率。通过实验证明了本方法对雷达脉冲描述字特征进行预分选的有效性。