基于灰色预测的可拓控制方法

由于控制系统所固有的滞后性,可拓控制也和其他"事后"控制方法一样,无法实现精准的控制效果.为了克服一般可拓控制的缺点,提出了一种基于灰色预测的可拓控制方法.该方法先对系统输出量进行灰色预测,然后将预测结果与给定值比较,二者差值作为可拓控制器的输入量,再经特征量提取、关联度计算、测度模式识别和控制决策等环节,得到控制量作...     

基于可拓方法的脉象分类研究

提出一种基于可拓学的脉象分类方法,旨在将可拓方法应用于脉象分类判别,建立脉象多参数指标的判别模型,并以定量的数值表示判别结果,能较完整地反映实际的脉象属类,且易于使用计算机进行规范化、客观化判别。     

可拓检测的可拓变换机理

物元变换是可拓检测功能模型的环节之一,变换结果直接影响着能否解决不可测问题。基于可拓学解决矛盾问题的方法,利用相关物元在可拓检测中的重要作用,提出了对不可测物元实施的具体可拓变换方法,研究了可拓检测的可拓变换机理。     

基于本体的可拓知识链获取

相对于静态的知识，定义了基于可拓变换的可拓知识，可拓知识是变化的知识．在可拓知识定理（从知识中获取可拓知识）和可拓推理公式的基础上，证明了基于集合的可拓知识定理和基于本体的可拓知识链定理．通过实例，在多维层次数据中，获取问题产生原因的可拓知识链．     

可拓方法在Unix网络管理中的应用

将可拓方法应用到广域网不同操作系统间的文件传输中，保持主机在一个网络适配器条件下，根据可拓变换的策略，对不同系统计算机的网络配置进行相关修改，从而提高了文件传输速度，解决了经常出现的中断现象，实现了异构系统的计算机网络资源共享和数据通信。     

基于可拓知识的工业泵产品配置方法研究

针对现有产品配置设计过程中企业对历史设计数据利用率不高,客户需求分析不完全,产品配置可变化性不强等问题,提出了基于可拓知识的工业泵产品配置设计方法。通过分析企业历史数据信息,建立了工业泵产品的可拓配置模型,对工业泵产品配置进行求解;根据模块特征信息,采用了可拓距的相似度算法,实现产品配置实例的检索;最后通过可拓配置变换,消除客户需求与产品实例间矛盾不相容问题,实现了工业泵产品的智能配置。     

基于可拓学的自适应软件形式化方法

可拓学的核心是建立灵活变通地应对不确定变化和灵感涌现的适应性模型。讨论引入可拓理论去描述、分析和评价软件系统的自适应性质、范围和程度的可能性。用基元描述软件实体,将软件系统构造成基元网,利用拓展分析、可拓变换和优度评价等定性与定量相结合的方法揭示了自适应软件系统的动态性质,并形成了一种自适应软件形式化方法。     

可拓数据挖掘的概念与理论

论文从数据挖掘概念和理论拓宽到可拓数据挖掘概念和理论,证明了两个可拓数据挖掘定理,并通过实例说明可拓数据挖掘是:在数据挖掘中获取的知识的基础上,通过可拓变换,获取可拓变换规则知识(变化知识)。     

基于粗糙分类的不确定可拓群决策数据挖掘及应用

针对可拓分类的不足及分类中存在的不确定性,将关联函数与决策函数相结合,研究不确定条件下可拓群决策的可拓变换与粗糙分类、属性约简与规则提取、数据分析与方案识别,以实现决策对象在不确定条件下的比较与选择;解决了多方案可拓分类和动态识别的系统分类问题,提高了可拓群决策数据挖掘的准确性和可信度.     

未知环境下基于可拓遗传算法的避障算法

为了提高避障机器人的避障能力和对环境的自适应能力,基于可拓遗传算法,对避障机器人的避障方法进行了研究。通过对避障机器人的可拓分析,提出了一种避障机器人物元模型,通过可拓变换重新认知环境信息,设计了相应的可拓适应度函数,改进了遗传操作。通过仿真分析,结果表明,改进后的可拓遗传算法优化了避障机器人的性能,提高了避障机器人对环境的鲁棒性。     

基于不确定决策树分类算法在滑坡危险性预测的应用

滑坡灾害预测受多种因素影响,其中降雨等不确定因素存在难以获取数据及有效处理等难题,为提高滑坡危险性预测的准确率,根据滑坡灾害发生相关理论及决策树分类原理,提出了基于不确定决策树算法在滑坡危险性预测的方法.该方法引入不确定因子降雨,并将不确定因子和其余评价因子一起,根据不确定决策树算法理论构建出不确定决策树,建立滑坡危险性等级预测模型,并用延安市宝塔区的实例进行验证.实验结果表明,该预测方法取得了较高的总体精度和有效精度,达到了滑坡预测的精度标准,且两项预测精度均高于传统C4.5决策树方法.     

基于SPRINT方法的并行决策树分类研究

决策树技术的最大问题之一就是它的计算复杂性和训练数据的规模成正比,导致在大的数据集上构造决策树的计算时间太长。并行构造决策树是解决这个问题的一种有效方法。文中基于同步构造决策树的思想,对SPRINT方法的并行性做了详细分析和研究,并提出了进一步研究的方向。     

基于判定树归纳分类的土质分类定名方法

数据分类是数据挖掘领域中一个非常重要的研究课题,而判定树归纳分类是数据分类技术中最常用的方法之一,应用广泛.工程建设需要对工程用土进行分类定名,在土工试验中土的分类定名相当烦琐,而且土的用途或工程性质不同适用分类标准也不同,手工进行土质分类定名容易出错.将判定树归纳分类法应用于土质分类定名工作,介绍了判定树归纳算法,根据最高信息增益构建土质分类的预测模型,并给出了具体的数据分类实例.     

基于类决策树分类的特征层融合识别算法

针对雷达组网量测数据不确定性大、信息不完备等特点, 基于决策树分类算法的思想, 创建类决策树的概念, 提出一种基于类决策树分类的特征层融合识别算法. 所给出的算法无需训练样本, 采用边构造边分类的方式, 选取信 息增益最大的属性作为分类属性对量测数据进行分类, 实现了对目标的识别. 该算法能够处理含有空缺值的量测数据, 充分利用量测数据的特征信息. 仿真实验结果表明, 类决策树分类算法是一种简单有效的特征层融合识别算法.

     

基于决策树的流量分类方法

近年来,利用机器学习方法处理流量分类问题已成为网络测量领域一个新兴的研究方向。在目前研究中应用较多的是朴素贝叶斯方法及其改进算法,但这些基于贝叶斯定理的分类方法过于依赖样本空间的分布,具有潜在的不稳定性。为此,引入C4.5决策树方法来处理流量分类问题。C4.5决策树方法利用信息熵来构建分类模型,无须假设先验概率的稳定。实验结果表明C4.5决策树方法可以有效避免网络流分布变化所带来的影响。     

不确定数据的决策树分类算法

经典决策树算法不能处理树构建和分类过程中的不确定数据。针对这一局限,将可用于不确定数据表达的证据理论与决策树分类算法相结合,把决策树分类技术扩展到含有不确定数据的环境中。为避免在决策树构建过程中出现组合爆炸问题,引入新的测量算子和聚集算子,提出了D-S证据理论决策树分类算法。实验结果表明,D-S证据理论决策树分类算法能有效地对不确定数据进行分类,有较好的分类准确度,并能有效避免组合爆炸。     

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Spark深度感知决策树的恒星/星系分类应用研究

针对传统决策树分类算法需要依靠人工构造特征才能实现对数据进行分类的问题, 以及其在处理海量天文数据时所面临的处理速度和资源分配瓶颈问题,结合深度学习强大的特征学习能力和Spark高效的数据处理性能,提出了一种基于Spark平台的深度感知决策树并行化算法,并将其应用于天文恒星/星系分类问题中。研究结果表明,该算法具有很好的可伸缩性,可以通过增加Spark集群计算节点的数量,来减少分类模型所需的训练时间和增强其对海量天文数据的处理能力。并且,其因同时具备强大的特征学习和分类能力而在恒星星系分类问题上可以获得比传统决策树更高的分类准确率。     

基于分类矩阵的决策树算法

为了提高决策树分类的速度和精确率,提出了一种基于分类矩阵的决策树算法.介绍了ID3算法的理论基础,定义了一种分类矩阵,指出了ID3算法的取值偏向性并利用分类矩阵给出了证明.在此基础上,引入了一个权重因子,抑制了原有算法的取值偏向,并利用分类矩阵给出相应证明,同时根据基于分类矩阵增益的特点,提出了新的决策树分类方案,旨在运算速率上进行优化,与原有算法进行了实验比较.对实验结果分析表明,优化后的方案在性能上有明显改善.     

基于贝叶斯方法的决策树分类算法

针对数据挖掘的特点和本质,充分利用贝叶斯方法和决策树分类的优点,将贝叶斯的先验信息方法与决策树分类的信息增益方法相结合,提出了一种新的数据挖掘分类算法(BD1.0算法),并对此算法进行了设计和分析。实验分析表明,该算法可以处理不一致或者不完整数据等“脏数据”,比单纯使用贝叶斯方法或决策树方法具有更高的准确率,而且与C4.5算法具有近似的时间复杂度。