摘要：传统的决策树构建方法,由于其选择扩展属性时的归纳偏置,导致属性值较多的属性总会被优先选择,从而导致树的规模过大,并且泛化能力下降,因此需对其进行简化.剪枝是简化的一种,分为预剪枝和后剪枝.该文主要针对预剪枝中的分支合并进行研究.文中研究了分支合并对决策树归纳学习的影响;具体讨论了在决策树的产生过程中,选择适当的分支合并策略对决策树进行分钟合并处理后,能否增强树的可理解性,减少树的复杂程度以及提高树的泛化精度;基于信息增益,分析了分支合并后决策树的复杂程度,设计实现了一种基于正例比的分支合并算法SSID和一种基于最大增益补偿的分支合并算法MCID.实验结果显示:SSID和MCID所得到的决策树在可理解性和泛化精度方面均明显优于See5.

摘要：提出一种基于归结的并有关于背景知识及示例的一致特化理论，该理论给出了最大一般特化假设的归结构造方法，可将其作为一种蕴涵意义下的一般理论特化框架．基于该理论，进一步提出ｋ 一般特化概念以解决特化的可计算性问题，并相应地给出特化算法．有关实验表明。

摘要：在开发传统的电力业扩报装系统的基础上,运用面向对象的分析方法,采用插件式的开发方式,实现了管理信息系统(MIS)与地理信息系统(GIS)的结合,使GIS为传统MIS提供了强大的空间数据支持,提出了业扩报装空间辅助决策支持系统的设计思想和实现方式。系统采用Oracle Spatial作为后台数据库,运用大系统控制论建立了电力综合数据库、方法库、模型库和知识库协同系统,实现了协同工作模式下的业务流灵活配置和流程执行的实时跟踪,将模型库及其管理系统引入GIS,在改进的迪杰斯特拉算法和A启发式算法的基础上,结合决策树分类算法实现了最优报装解决方案的自动生成。此外,还阐述了系统实现时的关键技术,如空间数据与属性数据的关联等,具有一定的理论意义和广阔的应用前景。

摘要：为改善模糊决策树算法凭经验设定参数值的不准确问题,在分析模糊决策树算法的主要参数特征后,提出使用粒子群算法智能设定参数值的自适应模糊决策树算法。实验表明,与经验设定参数值的模糊决策树算法相比,自适应模糊决策树算法生成的模糊决策树的性能明显提高;最后,通过实验数据分析了关键参数之间存在的交互影响关系。

摘要：为了求解离散域上的组合优化问题,借鉴遗传算法(GA)、二进制粒子群优化(BPSO)和二进制差分演化(HBDE)中的映射方法,给出了一种基于映射变换思想设计离散演化算法(DisEA)的实用方法——编码转换法(ETM).为了说明ETM的实用性与有效性,首先,基于ETM给出了一个离散粒子群优化算法(DisPSO);然后,分别利用BPSO,HBDE和DisPSO等基于ETM构造的演化算法求解集合联盟背包问题和折扣{0-1}背包问题.通过与GA的计算结果比较指出,BPSO,HBDE和DisPSO的求解性能均优于GA,说明基于ETM提出的DisEA在求解背包问题方面具有良好的性能.由此表明,利用ETM方法设计DisEA是一种实用的有效方法.

摘要：目前存在的一些区间值属性决策树算法都是在无序情况下设计的,未考虑条件属性和决策属性之间的序关系.针对这些算法处理有序分类问题的不足,提出区间值属性的单调决策树算法,用于处理区间值属性的单调分类问题.该算法利用可能度确定区间值属性的序关系,使用排序互信息度量区间值属性的单调一致程度,通过排序互信息的最大化选取扩展属性.此外,将非平衡割点应用到区间值属性决策树构建过程中,减少排序互信息的计算次数,提高计算效率.实验表明文中算法提高了效率和测试精度.

摘要：文本分类有助于用户有选择地阅读和处理海量文本,因此其预备工作分词系统的研究是很有意义的。该文主要提出了一种基于中文文本分类的分词方法,区别于常用的基于字符串匹配等方法,并利用数据库特有的查询技术设计和实现了该分词系统,旨在通过新的分词方法提供更加准确的分词率,同时提高系统实现效率。

摘要：已建成的隧道与原始的设计隧道之间的偏差信息对于地铁线路的安全调整非常重要。然而,目前还没有明确的数学公式能够准确地描述和度量这个偏差。目前主流的做法是通过人工测量具有相同间隔的截面的侵限值,并对这些侵限值进行累加求和,最终得到该偏差,这种方式存在误差大、耗时、成本高等缺点。为了解决这些问题,提出了一种新的基于深度神经网络的偏差表示方法,其能够基于点云大数据学习到设计线路的参数与侵限值之间的内在联系,进而预测出能够使得侵限值的和最小的参数,这些参数可以被用来辅助地铁线路的安全调整。在一个采集于实际地铁工程中的数据集上的实验结果表明,该方法能快速地计算出合适的调线调坡方案,并且只需要很少的计算机内存资源。

摘要：设A是一训练集,B是A的一个子集,B是选择A中部分有代表性的示例而生成的。得到了这样一个结论,即对于适当选取的B,由B训练出的决策树其泛化精度优于由A训练出的决策树的泛化精度。进一步,设计实现了一种如何从A中挑选有代表性的示例来生成B的算法,并从数据分布和信息熵理论角度分析了该算法的设计原理。

摘要：即时战略游戏(简称RTS游戏)中,用户的行为由于游戏自身庞大的决策空间而难以预测。针对这个问题,提出了通过对RTS游戏的对战记录进行分析,建立5种结构的神经网络模型来预测用户行为的方法。模型考虑了不同时间片的状态对于决策行为的影响,设计了单时间片输入和双时间片输入的神经网络,并与基于动态贝叶斯网络的模型进行了比较。实验结果表明,基于单时间片输入的神经网络模型能够更加快速地完成训练过程并达到满意的预测准确度。