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。     

一种基于决策树的快速关联规则挖掘算法

本文对关联规则的挖掘问题进行了深入研究.在总结现有算法优缺点的基础上,提出了一种新的基于决策树的快速关联规则挖掘算法(RABDT),结合决策树的构造过程,给出了算法的原理和实现步骤,并通过实验对比验证了算法的有效性.     

决策树算法研究综述

简要回顾了数据挖掘的应用背景和常用的数据挖掘方法，重点研究了数据挖掘方法中的决策树算法，并对其主要成就进行评述．提出今后开展研究的建议：     

一种基于属性敏感度的决策树算法

决策树算法是数据挖掘中重要的分类算法。目前,已有许多构建决策树的算法,其中,ID3算法是核心算法。本文首先对ID3算法进行研究与分析,针对计算属性的信息熵十分复杂的缺点,提出了一种新的启发式算法SID3,它是基于属性对分类的敏感度的。文章最后通过实例对两种算法进行比较分析,结果表明,SID3算法能够生成正确的决策树,并且使建树过程更简便,更快速。     

增量决策树算法研究

文中主要解决传统的ID3算法不能处理增量数据集构造决策树的问题.在传统ID3决策树算法和原有增量算法的基础上,利用信息论中熵变原理的特点,对与增量决策树算法相关的三个定理进行相应的改进,在理论上证明了改进的增量决策树算法的有效性和可靠性.同时对增量决策树算法和ID3算法的复杂度进行了对比分析,得出增量决策树算法的实例费用和信息熵费用都高于ID3算法的结论.最后通过一个实验证明,改进的增量决策树算法能够构造出与ID3算法形态基本相同的决策树.     

增量决策树算法研究

文中主要解决传统的ID3算法不能处理增量数据集构造决策树的问题。在传统ID3决策树算法和原有增量算法的基础上,利用信息论中熵变原理的特点,对与增量决策树算法相关的三个定理进行相应的改进,在理论上证明了改进的增量决策树算法的有效性和可靠性。同时对增量决策树算法和ID3算法的复杂度进行了对比分析,得出增量决策树算法的实例费用和信息熵费用都高于ID3算法的结论。最后通过一个实验证明,改进的增量决策树算法能够构造出与ID3算法形态基本相同的决策树。     

决策树算法的并行性研究

在数据库和数据仓库中运用数据挖掘技术必须考虑挖掘系统的速度问题。当数据集大到相当程度时，挖掘工作只能在巨型机上进行；而由于系统的速度不够快，挖掘出来的知识将会是滞后的，它对决策支持不仅无效甚至是有害的。针对这一问题，提出了决策树算法的并行机制，并对并行性的性能进行探讨。     

决策树算法的一种改进算法

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.ID3算法是决策树中应用最广泛的算法,通过对数据挖掘中决策树的基本思想进行阐述,讨论了ID3算法倾向于取值较多属性的缺点,引入无关度对ID3算法作了改进.实验数据结果分析表明,改进后的算法能得到更合理、更有效的规则.     

基于决策树的数据挖掘算法研究

决策树(Decision Tree)曾在很长的时间里是非常流行的人工智能技术,随着数据挖掘技术的发展,决策树作为一个构建决策系统的强有力的技术在数据挖掘和数据分析过程中起到了非常重要的作用.决策树在数据挖掘中主要用于分类、预测以及数据的预处理等.     

基于决策树的数据挖掘算法研究

决策树,英文名为Deciyion Tree,是一种很久以前就开始风靡全球的人工智能技术。随着数据挖掘技术的不断进步,决策树已经成为构建决策系统不可缺少的技术,它不仅在数据挖掘方面起着关键性的作用,在数据分析方面也是一个领军者。决策树在数据挖掘中被用于预测、解决、分类等。     

基于并行反向熵决策树算法的人工神经网络

针对数据分类挖掘问题,利用并行思想,提出一种基于并行反向熵决策树算法的人工神经网络.通过概率度量水平生成并行决策树对数据进行粗处理,以加快人工神经网络的分析速度.随后采用一组仿真数据对该方法进行测试和评估.实验结果表明,该并行分类方法比单个决策树具有更高的分类精度,并在保持分类结果良好可解释性的基础上优化了分类规则.     

一种基于神经网络的多级混沌加密算法

混沌信号具有良好的伪随机性,可用于构成加密系统。提出了一种基于多级混沌模型进行加密的算法,并在此基础上利用混沌对误差的极端敏感性,通过神经网络对误差反向传播,改进算法,使其具有更高的保密性。实验表明该算法安全性好,易于实现。     

二值字符图案细化的一种算法：———神经网络算法

为了识别二值图案,常常对它先进行细化处理,本文提出了基于神经网络的细化处理算法。首先,讨论了图案细化所用的ＢＰ网络结构,确定其结构为８－１０－４;然后,利用ＢＰ神经网络的分类识别特性来识别图案的边缘点,从而达到最否删除它的目的;最后,描述了字符的ＢＰ网络细化算法,并给出了图案细化的结果,得到的结果扭曲程度很小,并且比较光滑。     

一个自生成的神经树网络模式分类器

本文研究一种神经树网络（ＮＴＮ，ＮｅｕｒａｌＴｒｅｅＮｅｔｗｏｒｋ）模型，提出一种能自动生成其体系结构的有监督的竞争学习算法，指出该模型能解决复杂的多类模式分类问题．模拟数字例子——手写体数码识别的结果也表明该分类器是有效的．     

神经网络结构分析与BP算法修正

对神经网络拓扑结构进行了分析，采用通过减少网络节点漳的连接权值进而减少网络节点来实现网络结构优化的策略，由此提出了ＢＰ算法的修正公式和确定网络优化结构的方法，并对线性稳态系统物和线性动态系统两个实例进行了应用验证，取得了较好的结果，理论分析和应用实践证明提出的网络结构优化方法的可行性。     

神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。     

人工神经网络结合正交变换方法研究

本文提出一和中运用人工神经网络结合正交换变换的方法，即通过正交变换滤除噪声，通过交叉验证确定网络最佳构型，以充分发挥正交变换和神经网络各自的长处，即免了同过拟合，实现更准确的预后。     

一种基于田口-遗传算法确定的神经网络及其应用

为了解决神经网络结构和参数难以确定的问题,提出用工程领域内的田口设计方法和人工智能领域的遗传算法相结合的方法,用于同时确定神经网络结构和参数.将该算法应用到了小麦期货的收盘价短期预测上,结果表明,算法有较好收敛能力,预测是可行和有效的,有着良好的应用前景.     

一种基于多目标优化的神经网络快速学习算法

本文根据多目标优化理论、认知科学和神经科学等学科的最新成果，提出了一种基于多目标优化的神经网络快速学习算法．实验结果表明，该学习算法可以解决目前神经网络普遍存在的学习时间长、容易陷入局部极小和网络结构优化难等问题.     

基于QR-ROLS算法的小波神经网络应用研究

针对小波神经网络的结构设计和权值选取,提出一种基于QR分解的递推正交最小二乘算法以节省计算资源和计算时间,仿真结果表明基于QR-ROLS(QR Decomposition-Recursive Orthogonal Least Squares)算法的小波神经网络比依据时频特性设计的小波神经网络结构更优,运行效率更高.