一种快速有效的机载目标识别算法

针对机载三维运动、复杂场景下特定目标识别困难的问题,提出了一种快速有效的算法。先采用基于颜色的目标检测技术,快速实现目标兴趣区域的粗定位;然后根据链码跟踪方法提取兴趣区域的特征;再根据样本视频总结归纳出的决策规则对兴趣区域的特征进行判断;最终实现特定目标的识别。实验表明,新算法速度快,实用性强,适合实时处理。     

数据挖掘技术在学生评估中的应用

近几年随着科技和现代教育的发展,数据库和网络技术得到飞速的发展和广泛的应用,智能教学系统也就大量地出现,这样就有大量的数据伴随着出现,而怎样处理这些数据使人们从中获得有用的信息变成一个热门的话题。数据挖掘技术就是将大量数据以一定的方式进行处理,得到对人们有用的信息,来帮助人们学习和预测。将数据挖掘技术引入到教学过程中学生的个人学习素质评估当中,创新性地通过决策树算法和聚类算法相结合的方法对学生数据分析,挖掘潜在的信息资源,找出影响个人综合素质的关键因素及各因素之间的关系,总结优秀学生的个人综合素质的培养方法,弥补不足,提高学生的个人综合素质。     

基于变精度粗糙集理论的决策树生成方法的研究

文章在基于变精度粗糙集模型的基础上,研究了具有置信度规则的一种新的决策树构造方法。新算法对基于粗糙集的决策树生成方法进行改进,新算法以变精度加权平均粗糙度作为属性选择标准构造决策树,综合分析训练数据的噪声数据,引入在构造决策树的过程中存在的不一致性。在决策树生长过程中引入置信度,以控制决策树的生长,得到具有确切置信度的决策规则。     

基于决策树的医疗数据分析

决策树算法从一组无规则、无次序的事例中推理出分类规则,同样适用于医疗数据的挖掘。本文研究基于决策树的乳腺肿瘤医疗数据的分析和挖掘,提高癌症诊断的准确率。     

决策树C4.5算法的应用研究

决策树技术是数据挖掘的重要方法,广泛应用于客户分类和预测。本文对决策树的C4.5算法的基本思想和特点进行了介绍,并结合实例说明了构造决策树的具体实现过程。     

基于集成学习的卡车空压系统故障诊断研究

针对故障特诊复杂多样和故障样本类别不平衡,使用传统故障诊断算法对机械设备进行故障预测时预测结果正确率和可靠性偏低的问题,提出一种改进的Stacking集成学习结构,一方面对数据集进行降采样来重构数据集,另一方面使用贝叶斯优化和网格搜索来调节单个机器学习模型参数,最后通过改进的Stacking集成学习框架将训练好的强机器学习模型融合在一起,实现对机械设备故障的预测.在斯堪尼亚卡车空压系统故障数据集上进行实验,获得了比LightGBM、CatBoost等任一单模型更好的效果,较适用于复杂工况下的机械设备的故障诊断,为准确率和可靠性要求高的场景提供一种解决方案,具有较强的应用价值.     

高光谱影像的BDT-SVM地物分类算法与应用

面对海量数据的特征空间高维性及训练样本的有限性,高光谱遥感影像若采用常规统计模式的分类方法难以获得较好的分类结果。因此探讨支持向量机(SVM)分类器的基本原理,针对EO-1Hyperion高光谱影像的分类特点及现有多类SVM算法所存在的训练时间长及分类精度低等问题,引入二叉决策树SVM(BDT-SVM)分类算法,并提出一种新的类间分离度定义方法及相应的客观确定二叉树结构的策略,由此生成改进的BDT-SVM算法。实验结果表明:与其他多类分类方法相比,基于改进的BDT-SVM算法的高光谱影像地物分类效果更好,总体精度达到90.96%,Kappa系数为0.89,该算法还解决了经典SVM多类分类可能存在的不可分区域问题。     

基于SQL Server BI决策树的学生成绩分析

随着数字化校园的普及,教学管理部门存储了大量的学生成绩数据,通过对学生成绩源数据进行数据的清理和转换,利用SQL Server BI决策树挖掘学生成绩之间潜在的、有效的信息,为教师提高教学质量和效率提供有用的参考。     

决策树C4.5算法在学生成绩管理系统中的分析及其应用

本文详细论述了C4.5算法的原理及计算过程,并运用C4.5算法对某高校2011级电子信息工程专业的学生成绩数据进行分析。首先确定数据挖掘对象,进行样本采集,选择影响成绩的重要属性;然后运用C4.5算法对成绩数据进行分析挖掘从而生成决策树,为今后的教学工作提供指导,以此提高学生的成绩。     

基于相关系数的决策树优化算法

通过分析ID3算法的基本原理及其多值偏向问题,提出了一种基于相关系数的决策树优化算法。首先通过引进相关系数对ID3算法进行改进,从而克服其多值偏向问题,然后运用数学中泰勒公式和麦克劳林公式的性质,对信息增益公式进行近似简化。通过具体数据的实例验证,说明优化后的ID3算法能够解决多值偏向问题。标准数据集UCI上的实验结果表明,在构建决策树的过程中,既提高了平均分类准确率,又降低了构建决策树的复杂度,从而还缩短了决策树的生成时间,当数据集中的样本数较大时,优化后的ID3算法的效率得到了明显的提高。