故障树转化为二元决策树的算法研究

故障树分析法在实施过程中会遇到计算量大的问题,二元决策图是解决这个问题的一种新途径。故障树转化为二元决策图涉及的一个关键问题就是对基本事件的排序,但是基本事件排序是一个NP问题。为了解决这个问题提出了一个将故障树转化为二元决策图的启发式算法,此算法既避免了基本事件排序这个难题,同时又充分考虑了故障树的具体结构,使得到的二元决策图尽量的简单。     

二叉树型多分类器融合的轴承故障诊断方法

多分类器融合能有效集成多种分类算法的优势,实现优势互补,提高智能诊断模型的稳健性和诊断精度。但在利用多数投票法构建多分类器融合决策系统时,要求成员分类器数目多于要识别的设备状态数,否则会出现无法融合的情况。针对此问题,提出了一种基于二叉树的多分类器融合算法,利用二叉树将多类分类问题转化为多个二值分类问题,从而各个节点上的成员分类器个数只要大于2即可,有效避免了成员分类器数目不足的问题。实验结果表明,相比单一分类器的诊断方法,该方法能有效地实现滚动轴承故障智能诊断,并具有对各神经网络初始值不敏感、识别率高且稳定等优势。     

Fusion of face and speech data for person identity verification

Biometric person identity authentication is gaining more and more attention. The authentication task performed by an expert is a binary classification problem: reject or accept identity claim. Combining experts, each based on a different modality (speech, face, fingerprint, etc.), increases the performance and robustness of identity authentication systems. In this context, a key issue is the fusion of the different experts for taking a final decision (i.e., accept or reject identity claim). We propose to evaluate different binary classification schemes (support vector machine, multilayer perceptron, C4.5 decision tree, Fisher's linear discriminant, Bayesian classifier) to carry on the fusion. The experimental results show that support vector machines and Bayesian classifier achieve almost the same performances, and both outperform the other evaluated classifiers.     

动态故障树的边值多值决策图分析

动态故障树分析对于复杂系统来说是一种重要的可靠性分析技术,但是二叉决策图等传统模块化方法存在严重的状态空间爆炸问题.本文系统介绍了边值决策图的动态故障树分析方法,其中边值多值决策图相对于其它现有的决策图具有更紧凑的表示函数,通过状态数的缩减,缩短了计算时间,有效缓解状态空间爆炸问题.实例证明了边值多值决策图在多状态系统和多功能系统中使用的方法和优势.     

基于PSO改进决策树算法的研究

决策树方法是发现概念描述空间的一种特别有效的方法，是实例学习中具有代表性的学习方法，专门用于处理大量对象．如何快速建立简单可靠的决策树是一个重要的问题．文章引入PSO算法，并针对标准PSO算法易限于局部极小点的局限性，在保持了PSO算法结构简单可行特点的同时，利用惩罚函数方法，引入叉乘控制项，帮助算法摆脱局部极小点的束缚，提高了优化速度．将改进的PSO引入到决策树建树方法中，并与传统的决策树方法及使用遗传算法改进后的树进行比较，验证了其优越性．     

抽象技术及其在蒙特卡洛树搜索中的应用研究综述

抽象技术作为人工智能研究中高效拓展决策的重要组成部分,已广泛应用于大规模的决策问题.蒙特卡洛树搜索虽然在众多决策领域取得了卓越成就,但是在现实决策问题中面临着决策空间巨大和规划周期很长的问题.鉴于此,研究抽象技术及其在蒙特卡洛树搜索中的应用,从状态空间和动作空间两个角度出发分析抽象技术如何提升蒙特卡洛树搜索的决策能力,并对抽象蒙特卡洛树搜索研究中仍需要解决的问题和未来的研究方向作进一步展望.     

基于距离测度的D-S证据融合决策方法

针对多源信息融合结果并依据D-S证据结构进行决策的问题，提出一种基于距离测度的D—S证据决策方法．该方法结合决策基元和非决策基元的属性进行决策，将依据D—S证据的决策问题分解成两个层面：属性层面、证据层面．属性层面上，给出候选决策从证据焦元获得支持度的方法；证据层面上，基于辨识框架幂集的元素，构造一个证据焦元向量空间，引入候选决策的理想状态向量，定义距离测度，构建决策模型．最后，对多源水质监测信息融合结果进行决策分析，结果表明该方法是合理、有效的，且具有处理冲突或非冲突证据的优点．     

Making a Shallow Network Deep: Conversion of a Boosting Classifier into a Decision Tree by Boolean Optimisation

This paper presents a novel way to speed up the evaluation time of a boosting classifier. We make a shallow (flat) network deep (hierarchical) by growing a tree from decision regions of a given boosting classifier. The tree provides many short paths for speeding up while preserving the reasonably smooth decision regions of the boosting classifier for good generalisation. For converting a boosting classifier into a decision tree, we formulate a Boolean optimisation problem, which has been previously studied for circuit design but limited to a small number of binary variables. In this work, a novel optimisation method is proposed for, firstly, several tens of variables i.e. weak-learners of a boosting classifier, and then any larger number of weak-learners by using a two-stage cascade. Experiments on the synthetic and face image data sets show that the obtained tree achieves a significant speed up both over a standard boosting classifier and the Fast-exit??a previously described method for speeding-up boosting classification, at the same accuracy. The proposed method as a general meta-algorithm is also useful for a boosting cascade, where it speeds up individual stage classifiers by different gains. The proposed method is further demonstrated for fast-moving object tracking and segmentation problems.     

一种基于证据理论和模糊距离的融合方法

针对决策支持系统中专家不确定性意见难以融合的问题。本文提出了一种基于证据理论和模糊距离相结合的决策融合方法。首先运用模糊距离方法来获得专家的权重和属性指标的相对权重,并对专家决策中由于主观认识的局限性带来的不确定性问题进行了研究。然后运用DS证据理论识别框架计算出概率分配函数,并对所有方案进行排序选择,得出最终的决策融合意见。最后,通过实验表明,运用此方法对不确定性信息的融合具有很好的可行性和有效性。     

面向决策的信任融合模型研究

信任关系模型无论是在现实生活中还是在开放网络中都是最复杂的社会关系模型之一,是一个很难度量的抽象的心理认知,因为它涉及假设、期望、行为和环境等多种因素。借鉴以往的研究经验,综合考虑多种信任关系要素,提出了一种新的面向决策的信任融合模型。该模型基于直接信任度、间接信任度和信誉值的演化,依据信任融合获得决策信任度,为主体评判下一次的交互提供依据。为了证明信任融合模型的有效性,假设客体在ω类活动中以期望为PωX的概率从事该项活动。实验证明,信任融合模型得到的决策信任度和客体可信度的差异明显小于直接信任度、间接信任度或信誉值。     

模糊计算树逻辑的符号模型检测

对含有模糊不确定性信息的系统进行模型检测时,状态空间爆炸问题成为了亟待解决的主要问题.将形式化的系统模型用拟布尔公式表示,用多终端二叉决策图来对拟布尔公式进行存储.对模糊计算树逻辑的不动点语义给出了解释和证明,然后给出模糊计算树逻辑的符号化模型检测算法,最后通过一个实例验证算法的正确性.该算法可有效缓解对模糊模型检测验证时的状态空间爆炸问题,并扩展了模型检测的应用范围.     

基于直觉模糊可能性分布的三支决策模型的研究

直觉模糊集理论和可能性理论的融合是不确定问题领域的一个研究热点。文中提出了一种基于直觉模糊可能性分布的直觉模糊可能性测度(Intuitionistic Fuzzy Probability Measurement,IFPM),并在此基础上构建了三支决策模型。首先,定义了直觉模糊决策空间及该空间上的直觉模糊可能性分布,并对其性质进行了证明,给出了论域对象的隶属度和非隶属度可能性均值的计算方法。然后,讨论了论域对象的隶属度和非隶属度可能性均值与决策阈值的关系,分析了它们之间的概率分布情况。根据概率分布－可能性分布的转换关系,给出决策规则和三支决策模型,提出了一种基于直觉模糊可能性分布的IFPM决策风险计算方法。最后,考虑论域中对象的增减变化引起的IFPM变化,给出对应公式并对动态决策过程进行分析,同时通过实例验证了该模型的有效性。     

Multi-modal identity verification using expert fusion

The contribution of this paper is to compare paradigms coming from the classes of parametric, and non-parametric techniques to solve the decision fusion problem encountered in the design of a multi-modal biometrical identity verification system. The multi-modal identity verification system under consideration is built of d modalities in parallel, each one delivering as output a scalar number, called score, stating how well the claimed identity is verified. A decision fusion module receiving as input the d scores has to take a binary decision: accept or reject the claimed identity. We have solved this fusion problem using parametric and non-parametric classifiers. The performances of all these fusion modules have been evaluated and compared with other approaches on a multi-modal database, containing both vocal and visual biometric modalities.     

模糊智能决策树模型与应用研究

决策问题是计算智能最核心的问题之一.基于模糊数学理论建立了一个普适的模糊决策树模型;用节点刻画决策前提和控制信息,用树上的边形式化推理规则;并在节点和边上定义合理的模糊决策算子,进行多级综合决策.工程决策考虑不同方案的成本、可行性和收益,将这些信息进行融合作为决策方案优劣的测度;建立加权模糊智能决策模型,并给出了基于该...     

Hierarchical clustering of text documents

We consider the possibility to use compression algorithms to compute similarity distances in order to solve the clustering problem. We propose an actual hierarchical clustering machine that constructs a binary tree of object dependencies similar to a taxonomy.     

基于类间可分性度量的支持向量机决策树

采用支持向量机解决多类分类问题一般通过多个两类分类器的组合来求解,如何组合这些两类分类器就是该方法的关键.提出一种改进的支持向量机决策树多类分类模型,该模型通过引入类间可分性度量来确定决策树结构,以类间可分性度量的高低来决定不同类别在决策树中的位置,将容易分离的类尽可能早地划分出来.最后通过一组实验证明了该模型的有效性.     

基于支持度D-S证据理论与模糊积分的多源节点簇信息时空融合

为了获得传感器网络中监测目标的准确状态,需要同时考虑多源节点簇信息融合的时间性和空间性.本文提出了一种多源传感器信息的时空两级融合结构.对同一时刻多源节点簇信息,利用D-S证据理论和支持度进行空间融合,对经空间融合后的时间序列,利用模糊积分、支持度和遗传算法进行时间上的信息融合.仿真实验表明,据此形成的分布式多源节点簇信息融合系统具有目标探测能力、抗干扰能力和容错能力.     

R-C4.5决策树模型在高职就业分析中的应用

阐述了决策树分类技术和R-C4.5决策树模型。以某高职院校近几届毕业生的个人信息、教育信息和就业信息数据为研究对象,对实验数据进行数据预处理,运用R-C4.5决策树分类技术进行数据挖掘,挖掘出影响高职毕业生就业质量的相关因素,为政府和学校提高就业质量的各类措施和改革提供了决策依据。     

决策距离修正下的弱决策证据合成方法

针对含弱决策的证据融合在低冲突情况下仍出现反直观结果的问题,提出一种决策距离修正下的证据合成方法.首先,给出弱决策证据定义,提出一种名为决策距离的新度量方法,可表述单证据的决策,通过融合Jousselme距离可更有效地描述弱决策证据与其他证据间的差异;然后,根据检测弱决策证据和一票否决证据是否同时存在,提供两种不同的修正系数,可有效扩大多数证据与其他证据修正系数的差距,削弱一票否决证据的影响;最后,对证据源修正并合成.实验结果表明,该合成方法能较好地解决弱决策证据融合问题,融合结果收敛快,决策更可靠,不确定性小,是对现有研究的良好补充.     

一种基于线性最小平方映射的目标分类算法

介绍了一种基于线性最小平方映射的目标分类识别新方法。该方法先用自相关函数抽取目标图象特征，再用线性最小平方映射技术（ＬＬＳＭＴ）将所得特征向量映射到决策空间，在决策空间中用投影方法完成目标分类识别。作者用三类小汽车的二维二值图象进行实验，得到了比传统的Ｋ近邻、聚类等方法更好的分类结果。