决策树与神经网络的分类比较

决策树与神经网络是数据挖掘中两种重要的算法。本文比较了决策树与神经网络在分类上的异同点。     

基于模糊分类关联规则的分类系统

为了构建高性能的分类系统，应用模糊集软化数量型属性的划分边界，提出了模糊分类关联规则的挖掘算法。由于模糊集能很好地贴近人类的思维方式，因此挖掘得到的模糊分类关联规则易于被人理解．接着提出了基于模糊分类关联规则的分类系统，并采用遗传优化算法训练分类系统．实例分析的结果表明，基于模糊分类关联规则的分类系统具有较好的精度和可解释性．     

基于决策树规则的分类算法研究

在商业利益的驱动下,人们不断地深入研究决策树算法.为了提高分类的精度,提出了一种基于决策树规则的分类算法.通过C4.5决策树算法得出决策规则,计算决策规则的长度,准确率与覆盖率,对所得的决策规则依次按照规则长度与准确率的乘积大小、长度的大小、覆盖率的大小对规则集进行排序构造分类器,选择优选权最高的规则进行匹配分类.实验结果表明,与C4.5算法相比,该方法的分类精度有所提高.     

基于改良蚁群算法的神经网络分类规则提取

在数据挖掘领域,分类获得了很大的关注度,其主要目的是预测数据对象的所属类别。分类方法可分为基于规则和不基于规则两大类,其中神经网络由于在预测、从经验中学习、从先前样本中泛化等方面的优秀表现,使其成为分类领域的一个重要的方法,并往往能够获得很高的分类准确性,然而其非常有限的解释能力成为了制约其应用的一大缺陷。提出了一种基于改良蚁群算法的神经网络分类规则提取方法,通过改良的蚁群算法来填补神经网络有限的解释能力,从数据中提取出分类规则。实验证明,该方法能够很好的辅助神经网络,从要分类的数据中获取规则。     

基于增量式遗传算法的分类规则挖掘

分类知识发现是数据挖掘的一项重要任务,目前研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。将遗传算法与分类规则挖掘问题相结合,提出了一种基于遗传算法的增量式的分类规则挖掘方法,并通过实例证明了该方法的有效性。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

一种基于信息熵的神经网络规则提取方法

从训练后的神经网络中提取规则已成为当前研究热点.已有的网络规则提取方法常需网络修剪和再训练过程,因而计算成本较高.本文提出一种基于信息熵的神经网络规则提取方法,它在网络无需重复训练的情况下能够从训练过的神经网络中快速提取规则.其算法主要有四个过程组成:网络训练、决策树构建和相关隐单元识别、相关输入连接的识别及规则产生.文章以异或问题和棉花病害诊断规则提取为例进行实验,结果表明,基于信息熵的神经网络规则提取方法是有效可行的.     

一种基于神经网络的规则获取方法

分类问题是数据挖掘中的一个重要问题，分类目的就是寻找规则，具体来说，就是从给定的数据集合中找出能把数据集划分成不相交的若干个组的规则，目前已有的在大型数据库中挖掘分类规则的数据挖掘方法，主要还是基于符号学习机制的决策树方法．本文研究了一种新型的规则抽取算法，能够从神经网络中抽取出较好的规则．     

决策树剪枝加强的关联规则分类方法

传统关联规则挖掘在面临分类决策问题时,易出现非频繁规则遗漏、预测精度不高的问题。为得到正确合理且更为完整的规则,提出了一种改进方法 DT-AR(decision tree-association rule algorithm),利用决策树剪枝策略对关联规则集进行补充。该方法利用FP-Growth(frequent pattern growth)算法得到关联规则集,利用C4.5算法构建后剪枝决策树并提取分类规则,在进行置信度迭代筛选后与关联规则集取并集修正,利用置信度作为权重系数采取投票法进行分类。实验结果表明,与传统关联规则挖掘和决策树剪枝方法相比,该方法得到的规则在数据集分类结果上更准确。     

空间分类规则挖掘的一种决策树算法

空间分类规则挖掘是空间数据挖掘研究的一个重要领域。文章提出一个空间分类规则挖掘问题，并为解决该问题介绍了一种空间分类规则挖掘的决策树算法。     

基于GP的神经网络学习规则的发现

提出用遗传编程(GP)方法发现新的神经网络学习规则,并通过实验得到了几个新的学习规则;另外讨论了通过文法产生式的设计来改进对该问题的研究.     

用遗传算法优化神经网络结构

本文介绍了一种用遗传算法对神经网络和连接权值同时优化的方法，该神经网络的神经元节点可以一定程度地反馈连接，再通过基因链矩阵把神经网络的结构完整地表示，遗传进化学习后，最优个体是结构最优的神经网络，使用该方法可以设计出结构未知的神经网络，本文最后对ＸＯＲ问题进行了计算。     

利用神经网络生成评语

本文介绍了人工神经网络用于协助老师生成评语的方法。用这种方法，只需输入学生的各项指数就能生成对学生的评价。由于神经网络具有较好的学习和推广能力，生成的评语能够较准确地反映学生的表现。     

基于BP网的符号规则生成

本文提出一种训练标准ＢＰ网络的方法，该方法能以模糊判定规则的形成立即解释连接权值。该方法可以用来从一组例子中生成的的分类规则，同样也能用来简化已有的规则库。     

用线性多步法训练神经网络

研究用微分方程数值解法－－线性多步法替代神经网络的学习算法,指出在一定条件下神经网络的BP学习问题与求解一个相应的微分系统在渐近意义下是等价的,从而求解微分动力系统的数值解法也可用于神经网络的学习,给出了训练神经网络的Milne方法和BP－Milne结合算法以及Hamming方法和BP－Hamming结合算法,并以9点两类模式、随机模式识别和石油地质中沉积微相模式识别等3个问题为例进行了实验,实验结果表明利用微分动力系统的数值解法进行神经网络的学习是可行的。     

二进制神经网络分类问题的几何学习算法

分类问题在前向神经网络研究中占有重要位置.本文利用几何方法给出一个二进制神经网络K（≥2）分类问题的新学习算法.算法通过训练点的几何位置与类别分析，建立一个四层前向神经网络，实现网络输入向量分类.本文算法的优点在于:保证学习收敛且收敛速度快于BP算法及已有的其他一些前向网络学习算法;算法可以确定神经网络的结构且能实现精确的向量分类.另外，算法所建神经网络由线性阀值单元组成，神经元突触权值和阀值均为整数，特别适合于集成电路实现.     

用于神经网络学习推理的可视化工具的实现

本文针对模糊神经网络给出了三种学习算法。介绍了在Ｗｉｎｄｏｗｓ环境下采用面向对象技术开发的可视化工具,可方便地用于模糊神经网络的建模、学习和推理。软件工具虽然对针对模糊神经网络开发的,但也适用于一般神经网络。     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

带限信号谱分析的神经网络实现

直接DFT用于带限信号谱分析运算量大、分辨率低、速度慢,本文对DFT进行修改,然后推导出修改后的DFT的快速算法,最后给出线性规划神经网络的实现方法。这种方法能够快速、有效地对带限信号进行任意分辨率的谱分析。     

单体模糊神经网络的学习规则及其收敛性研究

兴久祯教授在不久前研究了单体模糊神经网络（MFNNs)的函数逼近能力,在此基础上,提出了单体模糊神经网络（MFNNs)的学习规则并进一步研究了其收敛性,研究结果表明,所提出的学习规则百收敛的,这一结论为单体模糊神经网络的应用提供了坚实的理论基础。     

基于BP神经网络的地震信号识别分类

本文主要讨论了利用BP神经网络对天然地震信号与地下爆炸形成的地震信号的识别分类问题,其中包括网络输入向量的选取等。结果表明,用此方法对地震信号进行识别分类是十分有效的。