基于改进随机森林的电力通信网脆弱性诊断分析

通信网脆弱性的识别对电力系统的稳定运行至关重要.利用大数据和机器学习算法识别电力通信网中节点的脆弱性,可为降低网络风险提供动态的技术支持和智能的辅助决策.对随机森林算法的简单投票机制进行改进,引入表征决策树对最佳决策树辅助决策效果的加成因子,提出了一种电力通信网节点脆弱性诊断方法,并结合某市的电力通信网数据进行实验.结果表明,在诊断贴近度、ROC曲线积分等指标下,改进算法比传统随机森林、支持向量机、逻辑回归等算法具有更优越的诊断性能,有助于推动电力通信网规划的辅助决策.     

高职学生综合技能评估系统的设计与开发

结合高职院校职业技能的评估情况,利用流行的网络开发技术,应用改进的决策树ID3算法和XML技术,设计并实现了高职学生综合技能评估系统,为高职教学提供可行的数据和决策支持。     

网球技战术关联分析数据挖掘研究

网球比赛中技战术的决策水平对比赛结果有着十分重要的影响,如何从大量的技战术数据中找到运动员比赛中技战术特征与规律,以弥补传统统计手段的不足,为比赛中技战术正确决策提供科学依据是一个急需研究解决的问题。采用关联分析数据挖掘理论和依托Weka数据挖掘平台,建立了网球技战术击球落点与得失分之间的关联规则数据挖掘分析模型,进行了具体案例研究,为网球比赛技战术中的落点决策问题提供客观科学的决策支持。     

基于人工鱼群算法的乒乓球数据挖掘

从视野和步长等方面对人工鱼群算法进行改进,结合乒乓球技战术的特点,对乒乓球技战术原始数据进行预处理。建立基于改进人工鱼群算法的乒乓球技战术分类规则数据挖掘模型,分析顶级乒乓球运动员比赛实例,结果表明与乒乓球技战术关联规则数据挖掘相比,该模型在挖掘质量和挖掘效果上有较大的优势。     

基于决策支持度的决策树生成算法

从条件属性对决策支持程度不同的角度出发,引入了决策支持度的概念,提出了一种以其为启发式信息的决策树生成算法。实验分析表明,相对于传统的决策树生成算法,此算法改善了决策树的结构,有效提高了决策分类的精度。     

决策树算法在大学生心理健康评测中的应用

近年来,由大学生心理疾病引发的各种社会问题频发,把数据挖掘技术引入大学生心理健康状况的诊断研究具有其他技术不可比拟的优势,它能挖掘事物中隐含的规律。对决策树C4.5算法的原理进行阐述,并通过C4.5建立一个心理健康评估模型,构造决策树,由提取规则对心理健康进行预测。实验结果表明,该算法能将学生心理健康进行正确分类。挖掘结果能指导心理健康教育工作者制定正确的辅导计划,对辅助决策有很好的帮助。     

基于改进蚁群算法的乒乓球数据挖掘研究

在Ant-Miner算法框架中通过对信息素更新和路径选择概率等策略的改进,并结合乒乓球技战术分析的特点,建立了基于改进蚁群算法的乒乓球技战术分类挖掘模型,并进行了实例分析,与乒乓球技战术关联规则挖掘相比较,该算法在挖掘效果和规则质量方面有很大的优势,并已应用于国家乒乓球队比赛和训练中,效果良好。     

基于多尺度粗糙集模型的决策树优化算法

针对经典决策树算法构造的决策树结构复杂、缺乏对噪声数据适应能力等局限性,基于多尺度粗糙集模型提出一种新的决策树构造算法。算法引入尺度变量和尺度函数概念,采用不同尺度下近似分类精度选择测试属性构造决策树,使用抑制因子对决策树进行修剪,有效地去除了噪声规则。结果表明该算法构造的决策树简单有效,对噪声数据有一定的抗干扰性,且能满足不同用户对决策精度的要求。     

乒乓球技战术分析决策支持系统的设计与实现

技战术运用是乒乓球等隔网对抗性运动项目中至关重要的环节,运用现代计算机技术,研究和开发相应的技战术采集分析与决策支持系统,能够极大地改进和提高技战术分析的效率和质量;其次运用关联特征分析和序列模式挖掘等数据挖掘技术,从大量的、无序的数据中发现潜在有用信息,可为今后的练习、比赛及训练计划制定提供具有重要指导意义的决策支持。文中介绍了基于多媒体的乒乓球技战术采集分析与决策支持系统的设计方案,并就其中关键技术进行展开说明。     

乒乓球技战术分析决策支持系统的设计与实现

技战术运用是乒乓球等隔网对抗性运动项目中至关重要的环节,运用现代计算机技术,研究和开发相应的技战术采集分析与决策支持系统,能够极大地改进和提高技战术分析的效率和质量;其次运用关联特征分析和序列模式挖掘等数据挖掘技术,从大量的、无序的数据中发现潜在有用信息,可为今后的练习、比赛及训练计划制定提供具有重要指导意义的决策支持。文中介绍了基于多媒体的乒乓球技战术采集分析与决策支持系统的设计方案,并就其中关键技术进行展开说明。     

两种决策树的事前修剪算法

修剪决策树可以在决策树生成时或生成后，前者称为事前修剪。决策树上的每一个节点对应着一个样例集，通过分析样例集中样例的个数或者样例集的纯度，提出了基于节点支持度的事前修剪算法PDTBS和基于节点纯度的事前修剪算法PDTBP。为了达到修剪的目的，PDTBS阻止小样例集节点的扩展，PDTBP阻止高纯度样例集节点的扩展。分析表明这两个算法的时间复杂度均呈线性，最后使用UCI的数据实验表明：算法PDTBS，PDTBP可以在保证分类精度损失极小的条件下大幅度地修剪决策树。     

一种模型决策森林算法

随机森林(RF)具有抗噪能力强,预测准确率高,能够处理高维数据等优点,因此在机器学习领域得到了广泛的应用。模型决策树(MDT)是一种加速的决策树算法,虽然能够提高决策树算法的训练效率,但是随着非纯伪叶结点规模的增大,模型决策树的精度也在下降。针对上述问题,提出了一种模型决策森林算法(MDF)以提高模型决策树的分类精度。MDF算法将MDT作为基分类器,利用随机森林的思想,生成多棵模型决策树。算法首先通过旋转矩阵得到不同的样本子集,然后在这些样本子集上训练出多棵不同的模型决策树,再将这些树通过投票的方式进行集成,最后根据得到的模型决策森林给出分类结果。在标准数据集上的实验结果表明,提出的模型决策森林在分类精度上明显优于模型决策树算法,并且MDF在树的数量较少时也能取到不错的精度,避免了因树的数量增加时间复杂度增高的问题。     

基于核聚类的手写金融汉字识别方法

根据手写体金融汉字的特点，利用核聚类方法将原始样本特征映射到高维特征进行聚类分组，对每一组使用一个支持向量机二值分类器进行分类，并用这些二值分类器组成决策树的结点，构成一个决策分类树。给出了金融汉字的分组方法和决策树的生成算法，提出利用交叠系数来控制交叠，可以克服错分积累，提高分类准确率。实验结果表明，采用该方法，手写体金融汉字识别的速度和正确率都达到了实用的要求。     

医疗辅助诊断系统中新型的双向隐私保护方法

为了保护医疗辅助诊断系统中患者的个人隐私,本文提出一种新的结合决策树与不经意传输(Oblivious Transfer, OT)技术的双向隐私保护方法.该方法首先利用决策树对已有诊断信息进行分类来形成辅助诊断,并利用差分隐私确保决策树构建过程中不会泄露数据库的隐私.其次利用OT技术保护查询过程中的隐私,并提出一种决策树索引协议将决策树算法与OT协议有效结合.提出的方法最早将决策树与OT技术应用于医疗辅助诊断系统,并且在客户端进行医疗数据查询并得到准确查询结果的情况下,能够极好地保护客户端、服务器以及数据库的隐私信息,实现更全面的双向隐私保护.理论分析结果表明,本文提出的方法在保护隐私的同时具有较高的通信效率.进一步地,实验结果也表明,提出的方法不仅具有较高的查询效率,同时还具有较高的查询准确率.     

基于小波分析和分层决策的模拟电路故障识别方法*

针对模拟电路存在较多故障模式的诊断中易出现分类混叠的问题,提出一种小波分析和分层决策的故障识别方法。首先用小波变换方法提取电路的两种故障特征,模糊C均值算法分析故障特征数据的分布特性,以决策树的形式分割各故障子类。通过对决策树节点特征的优化选择,使各故障子类的区分得以最大化。最后按照决策树结构建立分级诊断的故障决策系统,分别以支持向量机和神经网络作为树节点分类器,有效地提高了故障的识别率。该方法应用于高通滤波器电路的故障识别,正确率高于99%,比经典支持向量机多分类方法具有更好的诊断性能。     

基于最小决策风险的故障诊断方法

预测与健康管理技术对故障诊断的准确性提出了更高的要求.在传统基于支持向量机的故障诊断方法中引入最小决策风险,即将先验故障模式信息与数据驱动学习算法相融合,以获得更为有效的故障诊断结果.给出了基于多分类后验概率最小决策风险的SVM故障模式识别的实验步骤,并选取某电路板的400组数据进行实验.结果表明,提出的故障诊断方法可有效减少故障的漏报率,提升系统整体的诊断准确性.     

新型偏好敏感决策树算法*

针对现有决策树模型在分类过程中没有考虑决策者对结果的偏好行为,因而不能很好的预测具有明显偏好倾向问题的不足,提出了一种偏好敏感决策树(Preference Sensitive Decision Tree, PSDT)分类算法。该算法引入了偏好度和偏好代价的概念,并通过综合考虑属性信息和有效偏好,构建新型属性选择因子和基于有效偏好的结点类标号分配准则。通过自适应调整偏好度,可生成最佳偏好敏感决策树。实验结果证明该算法既能实现对偏好类的高精度预测,同时能够保证决策树拥有良好的整体精度,且具有较高的有效性和实用性,能够很好的解决偏好敏感环境下的决策问题。     

基于相关性的类偏好敏感决策树算法

针对决策者在面对几个分类结果时会有选择其中某一个结果的倾向性这一事实,提出了一种基于相关性的类偏好敏感决策树分类算法（CPSDT）。该算法引入了类偏好度、偏好代价矩阵等概念。为弥补在传统决策树构造过程中,选择分裂属性时未考虑非类属性之间相关性的不足,该算法在进行学习之前先采用基于相关性的特征预筛选排除属性冗余并重新构造了基于相关性的属性选择因子。经实验证明,该算法能够有效减小决策树规模,且能够在实现对偏好类的高精度预测的同时保证决策树拥有较好的整体精度。