基于遗传算法的模糊决策树的参数优化

模糊决策树归纳学习是从示例中产生规则知识的一个重要方法,决策树的产生过程涉及到两个重要的参数α、β。一般说来,这两个参数的选取依赖于所讨论的领域知识和用户的需要,若选取不当,会对分类结果产生很大影响,从而导致不正确的分类。如何选取这两个参数的值目前尚无较好的方法,仅凭人们的经验而定,该文提出了一种应用遗传算法来优化模糊决策树中参数的方法,旨在为选取参数提供实验方法,同时也为直接选取经验参数提供了一定的实验支撑。     

多变量时间序列的模糊决策树挖掘*

针对目前时间序列决策研究方法的一些缺陷,提出了多变量时间序列模糊决策树挖掘方法,并给出了该方法的实验分析。实验结果证明该方法能够找出多变量时间序列子序列的形态与某个序列的后期趋势或状态的决策信息。     

基于神经网络的模糊决策树改进算法

传统决策树通过对特征空间的递归划分寻找决策边界,给出特征空间的“硬”划分。但对于处理大数据和复杂模式问题时,这种精确决策边界降低了决策树的泛化能力。为了让决策树算法获得对不精确知识的自动获取,把模糊理论引进了决策树,并在建树过程中,引入神经网络作为决策树叶节点,提出了一种基于神经网络的模糊决策树改进算法。在神经网络模糊决策树中,分类器学习包含两个阶段：第一阶段采用不确定性降低的启发式算法对大数据进行划分,直到节点划分能力低于真实度阈值[ε]停止模糊决策树的增长;第二阶段对该模糊决策树叶节点利用神经网络做具有泛化能力的分类。实验结果表明,相较于传统的分类学习算法,该算法准确率高,对识别大数据和复杂模式的分类问题能够通过结构自适应确定决策树规模。     

基于证据理论的模糊时间序列预测模型

在分析经典模糊时间序列预测模型的基础上,指出了传统的模型不能处理多因素的情形;然后分析并改进了证据理论中关于证据合成的方法,提出了基于证据理论的多因素模糊时间序列预测模型;最后用1997年～2006年10年间的上海股指数据对所提出的模型进行了实践检验,实验结果表明该模型是可行的,其预测效果优于所参照的预测模型.     

基于遗传算法的模糊神经网络公交到站时间预测模型研究

公交到站时间的预测受到诸多因素的影响,各种因素对预测准确度不可度量,很难采用传统数学模型进行建模解决。采用基于遗传算法的模糊神经网络模型对公交到站时间进行预测,该模型将遗传算法和模糊推理系统融入多层前馈神经网络中,并通过模糊规则的隶属度进行初始化与更新网络各个参数初始值,同时利用多子群自适应遗传算法进行宏观搜索,提高整个网络的寻优能力。模型以成都市某线路公交运行时间预测为例对其进行了模拟仿真,仿真结果表明基于遗传算法的模糊神经网络公交到站时间预测模型具有较高的准确性与可靠性。     

基于遗传算法的多属性模糊决策树的优化

决策树是数据挖掘中的一种高效方法,但是当训练数据的属性很多时,构建的决策树的规模会随属性个数增加而指数级增长,进而会产生海量的规则。针对该问题,提出了一种基于遗传算法的优化方法。首先根据信息增益利用轮盘赌方法选取若干组属性,构建多棵决策树,然后利用遗传算法对多棵决策树进行组合,并最终形成规则集。最后给出了实验结果,证明了该方法的可行性和有效性。     

基于遗传优化决策树的建筑能耗短期预测模型

使用线性回归模型预测公共建筑能耗数据时,存在不确定性影响因素和精度偏差问题。为此,建立一种遗传优化决策树模型。采用遗传算法优化梯度提升决策树的子树生成过程,以模型预测的R-Square值作为迭代的评估标准,从而达到能耗预测的目的。实验结果表明,与传统的回归预测模型相比,该模型预测精度较高。     

基于决策树的电视节目收视率预测模型

收视率是衡量电视节目质量的重要指标,节目播出后的收视率调查已经不能满足竞争日益激烈的各电视台的需要,因此迫切需要科学有效的预测收视率的方法。本文对决策树中的ID3算法进行了研究,并将据此建立的数据挖掘预测模型应用于电视节目收视率预测的研究,取得了较好效果。     

基于DNA编码遗传算法构造广义决策树的研究

决策树是归纳学习和数据挖掘的重要方法,主要用于分类和预测。文章引入了广义决策树的概念,实现了分类规则集和决策树结构的统一。同时,提出一种新颖的基于DNA编码遗传算法构造决策树的方法。先用C4．5算法对数据集进行分类得到初始规则集,再通过文章中算法优化规则集并由此构建决策树。实验证明了该方法有效地避免了传统决策树构建过程的缺点,且有较好的并行性。     

一种基于模糊决策树的运动预测机制

通过考虑环境约束及用户运动的随机性,设计了一种基于模糊决策树的运动预测机制.该机制在示例集的基础上,利用属性模糊化和模糊分类熵建立初始模糊决策树,由此生成模糊决策规则进行预测,根据变化情况适时对模糊决策树进行必要的维护.仿真研究表明,该机制预测准确率较高,预测开销较小,是可行和有效的.     

基于模糊决策过程的模糊计算树逻辑模型检测

针对由数据表述产生的不确定性模糊系统的模型检测问题,给出模糊计算树逻辑模型检测算法。首先,引入模糊决策过程作为此类系统的模型,其最大特点是在迁移过程中对动作的不确定性选择和状态表述的模糊性。然后,在模糊决策过程基础上,给出模糊计算树逻辑的语法和语义。最后,给出模糊计算树逻辑模型检测算法,该算法是将模糊计算树逻辑模型检测问题转换为模糊矩阵的合成运算,其优势是时间复杂度低、计算过程较为简洁。     

一种基于模糊增益比例的决策树属性选择方法

节点属性的选择是决策树生成过程中的关键环节,以ID3和C4.5为代表的经典决策树算法中,树节点的选择是通过子集样本数计算信息增益或增益比例得到的。但是,对于连续性属性,由于离散化分割导致了子集边界元素在隶属关系上的模糊,使样本计算的方式存在了一定的不合理性,为解决这一问题,采用了模糊集理论并以模糊度的方式取代样本个数参与增益比例的计算,给出了一种获得决策树分类中不确定性尺度的可行途径。     

模糊时间序列建模及股票市场多步预测

首先应用模糊聚类方法将数据分类,以相邻两个聚类中心的中点作为子区间的分界点来划分论域,并以此将时间序列模糊化为模糊时间序列;其次根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系;最后将该模型用于上证股票综合指数和深证股票成分指数的多步预测和涨跌趋势预测。与典型模糊时间序列模型比较,涨跌趋势预测准确率有较大提高,多步预测结果表明模型具有较好的泛化能力。     

Fuzzy forecasting based on fuzzy time series

This article presents an improved method of fuzzy time series to forecast university enrollments. The historical enrollment data of the University of Alabama were first adopted by Song and Chissom (Song, Q. and Chissom, B. S. (1993). Forecasting enrollment with fuzzy time series-part I, Fuzzy Sets and Systems, 54, 1–9; Song, Q. and Chissom, B. S. (1994). Forecasting enrollment with fuzzy time series-part II, Fuzzy Sets and Systems, 54, 267–277) to illustrate the forecasting process of the fuzzy time series. Later, Chen proposed a simpler method. In this article, we show that our method is as simple as Chen's method but more accurate. In forecasting the enrollment of the University of Alabama, the root mean square percentage error (RMSPE) of our method is 3.1113% while the RMSPE of Chen's method is 4.0516%, which shows that our method is doing much better.     

基于模糊决策树的机载多传感器智能管理方法

针对机载多传感器调度管理的困难,提出基于模糊决策树的机载多传感器智能管理方法。该方法将作战阶段与目标类型相结合,构建不同目标属性,建立基于目标类型的模糊决策树模型,在此基础上建立机载多传感器动态智能管理模型,并进行空战仿真验证。仿真结果表明该方法与作战阶段动态相关,能快速有效地完成机载多传感器调度管理。     

基于模糊优势互补互信息的有序决策树算法

传统决策树算法应用于有序分类任务时存在两个问题：传统决策树算法没有引入序关系,因此无法学习和抽取数据集中的序结构;现实生活中存在大量模糊而非精确的知识,而传统的决策树算法无法处理存在模糊属性取值的数据。针对上述问题,提出了基于模糊优势互补互信息的有序决策树算法。首先,使用优势集表示数据中的序关系,并引入模糊集来计算优势集以形成模糊优势集。模糊优势集不仅能反映数据中的序信息,而且能自动获取不精确知识。然后,在模糊优势集的基础上将互补互信息进行推广,并提出了模糊优势互补互信息。最后,使用模糊优势互补互信息作为启发式,设计出基于模糊优势互补互信息的有序决策树算法。在5个人工数据集及9个现实数据集上的实验结果表明,所提算法在有序分类任务上较经典决策树算法取得了更低的分类误差。     

面向多维时间序列的过程决策树模型

为解决多维时间序列的分类并获取易于理解的分类规则,引入了时序熵的概念及构造时序熵的方法,基于属性选择和属性值划分两方面扩展了决策树模型。并给出了两种构造多维时间序列分类的决策树模型算法。最后,采用移动客户流失的真实数据,对过程决策树进行测试,展示了方法的可行性。     

基于模糊决策树的出口纺织品反倾销预警系统

以中国和欧盟的纺织品贸易为研究对象,并在此基础上建立基于模糊决策树的反倾销预警系统,从而为政府研究和制定反倾销政策和措施提供依据,避免或减少反倾销给我国纺织业造成的损失。选取欧盟贸易保护程度、中国纺织品出口增长速度、双边贸易摩擦程度、市场经济程度4个综合预警指标,区别于传统的建模方法,应用模糊决策树技术建立纺织品反倾销预警系统。检验结果表明该预警模型具有较好的预测效果,在反倾销预警领域里有较好的应用前景。