模型决策树:一种决策树加速算法

决策树算法采用递归方法构建,训练效率较低,过度分类的决策树可能产生过拟合现象.因此,文中提出模型决策树算法.首先在训练数据集上采用基尼指数递归生成一棵不完全决策树,然后使用一个简单分类模型对其中的非纯伪叶结点(非叶结点且结点包含的样本不属于同一类)进行分类,生成最终的决策树.相比原始的决策树算法,这样产生的模型决策树能在算法精度不损失或损失很小的情况下,提高决策树的训练效率.在标准数据集上的实验表明,文中提出的模型决策树在速度上明显优于决策树算法,具备一定的抗过拟合能力.     

一种模型决策森林算法

随机森林(RF)具有抗噪能力强,预测准确率高,能够处理高维数据等优点,因此在机器学习领域得到了广泛的应用。模型决策树(MDT)是一种加速的决策树算法,虽然能够提高决策树算法的训练效率,但是随着非纯伪叶结点规模的增大,模型决策树的精度也在下降。针对上述问题,提出了一种模型决策森林算法(MDF)以提高模型决策树的分类精度。MDF算法将MDT作为基分类器,利用随机森林的思想,生成多棵模型决策树。算法首先通过旋转矩阵得到不同的样本子集,然后在这些样本子集上训练出多棵不同的模型决策树,再将这些树通过投票的方式进行集成,最后根据得到的模型决策森林给出分类结果。在标准数据集上的实验结果表明,提出的模型决策森林在分类精度上明显优于模型决策树算法,并且MDF在树的数量较少时也能取到不错的精度,避免了因树的数量增加时间复杂度增高的问题。     

栅增强功率ACCUFET的模拟研究

为了进一步降低器件的导通电阻,提出了一种新型的ACCUFET结构——栅增强功率ACCUFET(GE-ACCUFET)。这种器件同时具有普通ACCUFET和GE-UMOS的优点,而且导通电阻比这两种器件都要低。设计了一个击穿电压约106 V,导通电阻为2.18×10-4Ω.cm2的栅增强型功率ACCUFET器件(GE-ACCUFET)。将这种新型器件与GE-UMOS、普通ACCUFET进行对比,并进一步研究器件的结构参数对器件性能的影响。通过ATLAS仿真软件的建模仿真得到的数据显示,新型器件的导通电阻与GE-UMOS、普通ACCUFET相比,均有大幅度的降低。仿真还得到了器件导通电阻和击穿电压与结构参数H,D,α的函数关系,这对器件的生产制造有一定的指导作用。