基于神经网络的模糊决策树改进算法

传统决策树通过对特征空间的递归划分寻找决策边界,给出特征空间的“硬”划分。但对于处理大数据和复杂模式问题时,这种精确决策边界降低了决策树的泛化能力。为了让决策树算法获得对不精确知识的自动获取,把模糊理论引进了决策树,并在建树过程中,引入神经网络作为决策树叶节点,提出了一种基于神经网络的模糊决策树改进算法。在神经网络模糊决策树中,分类器学习包含两个阶段：第一阶段采用不确定性降低的启发式算法对大数据进行划分,直到节点划分能力低于真实度阈值[ε]停止模糊决策树的增长;第二阶段对该模糊决策树叶节点利用神经网络做具有泛化能力的分类。实验结果表明,相较于传统的分类学习算法,该算法准确率高,对识别大数据和复杂模式的分类问题能够通过结构自适应确定决策树规模。     

一种融合LSTM预测网络的试题并行推荐算法

设计了一种融合LSTM预测网络,基于多决策树和认知诊断的试题并行推荐算法MDT&CD-LSTM,用于解决自适应教育中的学习资源推荐问题。该算法集成多决策树和认知诊断的推荐结果,并利用LSTM网络预测学生的知识状态,从而向学生推荐最合适的试题。实验结果表明,该自动推荐算法可以有效地提高试题推荐结果的准确性,比改进决策树模型精确度提升了21.67%,误差均值减少了26.52%。该算法能够满足学生的个性化学习需求,帮助学生更好地理解知识点,具有广阔的应用前景。     

基于Web的个性化学习系统的设计

为改善基于Web学习系统存在的不足,提出了一个基于数据挖掘技术的个性化学习系统模型,并详细描述了应用决策树及BP神经网络算法对个性化导航模块设计的方法.应用决策树方法,根据学生初始注册信息,为学生的学习能力进行分类;应用BP神经网络算法,对经过预处理的有用的教学数据进行挖掘,以得出学生对知识点的掌握情况;在分析对比学生的学习状态与课程要求的基础上为学生提供下一步学习的导航信息.基于该模型实现的个性化学习系统真正体现了因材施教的教育理念.     

基于地标特征和元学习方法推荐最适用优化算法

设计并实证研究一种基于地标特征和元学习方法推荐最佳优化算法的实现框架.地标特征摒弃了传统的问题简单特征、统计特征和信息理论特征复杂的提取过程,通过简化运行算法并仅以算法的相对性能表现作为问题特征集.在此基础上,利用元学习方法训练建模并针对新问题作出算法推荐.为验证推荐效果,以多模式资源约束的项目调度问题(MRCPSP)为优化对象,以人工蜂群、蚁群、粒子群和禁忌搜索4种元启发式算法作为推荐对象,分别使用人工神经网络、k最近邻、决策树以及随机森林4种元学习方法建立推荐元模型.计算结果表明,多种元学习方法均指向相近的推荐准确率,平均稳定在70%以上,最高可达95%.基于地标特征和元学习方法实现优化算法推荐是一个值得进一步探讨的新方向.     

决策树学习算法ID3的研究

ID3是决策树学习的核心算法，为此详细叙述了决策树表示方法和ID3决策树学习算法，特别说明了决策属性的选取法则。通过一个学习实例给出该算法第一选取决策属性的详细过程，并且对该算法进行了讨论，一般情况下，ID3算法可以找出最优决策树。     

一种自适应遗传BP神经网络模型研究及应用

如何更有效地提高神经网络的收敛速度和收敛质量。基于遗传算法的全局搜索和BP神经网络局部精确搜索的特性，提出一种自适应遗传BP神经网络模型，该模型的主要算法是先采用一种自适应遗传算法优化BP网络初始权重。而后再进行BP网络的训练过程。最后并研究如何利用该模型进行三级跳远成绩预测。实验结果表明该方法优于传统BP算法。有利于提高网络的收敛性以及学习能力，可在一定程度上提高三级跳远成绩预测的准确率，具有一定的实用价值。     

基于BP神经网络的儿童智能化学习分析算法研究

为更好地激发儿童的学习兴趣，从更广的视角把握儿童学习的方向，提出一种基于反向传播（Back Propagation,BP）神经网络的儿童智能化学习分析算法。首先，根据学习内容、专注程度、时间投入等因素建立原始数据矩阵，并构建基于BP神经网络的儿童智能化学习分析模型；其次，依据提出的模型以及改进的BP神经网络算法，设计基于BP神经网络的儿童智能化学习分析算法；最后，在智能仿真平台上进行实验。实验结果表明，该算法在分析儿童的学习方向上有较高的准确率。     

规则简化与模糊决策树剪枝的比较

决策树归纳学习算法是机器学习领域中解决分类问题的最有效工具之一。由于决策树算法自身的缺陷了，因此需要进行相应的简化来提高预测精度。模糊决策树算法是对决策树算法的一种改进，它更加接近人的思维方式。文章通过实验分析了模糊决策树、规则简化与模糊规则简化；模糊决策树与模糊预剪枝算法的异同，对决策树的大小、算法的训练准确率与测试准确率进行比较，分析了模糊决策树的性能，为改进该算法提供了一些有益的线索。     

利用VB语言实现决策树构建算法的实验研究

为了实现高校计算机教学中提高学生理论学习水平,增强学生动手能力的目标,本文通过设计一个决策树构建的综合实验过程,使学生掌握VB程序设计中的几个关键问题:1)学习设计解决问题的算法,通过学习信息熵构建决策树的算法,采用信息熵算法对学生成绩表分类并构建决策树;2)学习VB语言与数据库的操作,选择当前应用广泛的SQL数据库存储学生成绩表数据,并作为VB程序的直接操作对象;3)学习递归编程及应用,信息熵构建决策树的算法适于采用递归编程。综上所述,本文将实验分解成3个学习任务,使学生不断提高算法学习及语言编程的综合能力。     

基于BP小波网络的故障模式识别

提出了一类新的BP小波网络，该网络采用BP学习算法，可实现信号的小波变换、特征提取和模式分类，具有结构清晰、算法简便的特点。将该网络应用于柴油机的活塞-缸套故障模式识别，并与用一般BP网络识别的结果比较，表明该网络对于非平稳时变振动信号具有很好的模式识别能力。     

基于神经网络的印刷体数学公式抽取方法*

在分析中文印刷文档版式及字符特征的基础上,提出了一种将决策树与BP神经网络相结合的数学公式抽取方法。采用决策树方法将孤立公式从文档中抽取出来,采用BP神经网络方法定位内嵌公式。实验表明,该抽取方法对中文文档的公式抽取具有较高的正确率、容错率和速率。     

Minimal Structure of Self-Organizing HCMAC Neural Network Classifier

The authors previously proposed a self-organizing Hierarchical Cerebellar Model Articulation Controller (HCMAC) neural network containing a hierarchical GCMAC neural network and a self-organizing input space module to solve high-dimensional pattern classification problems. This novel neural network exhibits fast learning, a low memory requirement, automatic memory parameter determination and highly accurate high-dimensional pattern classification. However, the original architecture needs to be hierarchically expanded using a full binary tree topology to solve pattern classification problems according to the dimension of the input vectors. This approach creates many redundant GCMAC nodes when the dimension of the input vectors in the pattern classification problem does not exactly match that in the self-organizing HCMAC neural network. These redundant GCMAC nodes waste memory units and degrade the learning performance of a self-organizing HCMAC neural network. Therefore, this study presents a minimal structure of self-organizing HCMAC (MHCMAC) neural network with the same dimension of input vectors as the pattern classification problem. Additionally, this study compares the learning performance of this novel learning structure with those of the BP neural network,support vector machine (SVM), and original self-organizing HCMAC neural network in terms of ten benchmark pattern classification data sets from the UCI machine learning repository. In particular, the experimental results reveal that the self-organizing MHCMAC neural network handles high-dimensional pattern classification problems better than the BP, SVM or the original self-organizing HCMAC neural network. Moreover, the proposed self-organizing MHCMAC neural network significantly reduces the memory requirement of the original self-organizing HCMAC neural network, and has a high training speed and higher pattern classification accuracy than the original self-organizing HCMAC neural network in most testing benchmark data sets. The experimental results also show that the MHCMAC neural network learns continuous function well and is suitable for Web page classification.     

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。     

混合型多概念获取系统的设计与实现

本文主要描述了一个增量式混合型多概念获取系统ＨＭＣＡＳ，它提出了一个基于概率论的符号学习与神经网络学习相结合的学习算法，能从隶属于某个概念集的实例集中归纳出满足用户精度要求的，以浊合型判定树表示的概念描述。在ＨＭＣＡＳ中，符号学习与神经网络学习具有结合紧密的转换灵活等特点，具有较高的学习效率和较强的归纳能力以及增量学习能力。ＨＭＣＡＳ的神经网络学习可选择ＢＰ网络或ＦＴＡＲＴ网络，其推理机制提供了混     

一种基于神经网络集成的决策树构造方法

神经网络集成方法具有比单个神经网络更强的泛化能力，却因为其黑箱性而难以理解；决策树算法因为分类结果显示为树型结构而具有良好的可理解性，泛化能力却比不上神经网络集成。该文将这两种算法相结合，提出一种决策树的构造算法：使用神经网络集成来预处理训练样本，使用C4．5算法处理预处理后的样本并生成决策树。该文在UCI数据上比较了神经网络集成方法、决策树C4．5算法和该文算法，实验表明：该算法具有神经网络集成方法的强泛化能力的优点，其泛化能力明显优于C4．5算法；该算法的最终结果昆示为决策树，显然具有良好的可理解性。     

BP网络与RS理论在浮选生产数据分析中的应用

该文在进行某选矿厂浮选生产数据分析的过程中,针对浮选过程常常为高度非线性多输入多输出问题的特点,在深入剖析BP网络与RS理论的基本原理和特点的基础上,提出了分别利用BP网络的高度非线性拟合特性对浮选生产数据进行训练以获得浮选生产过程知识的隐式表达,同时利用RS理论的数据浓缩功能对浮选生产数据进行约简而得到相应浮选生产过程知识的显式表达,然后对两种模型的分析结果进行交叉验证的应用模式。与基于人工神经网络的决策树构造等其它人工神经网络的白化方法相比,该方法具有在保证问题分析结果的精度的同时,分析过程相对简单,克服了由于BP网络结构的不确定性而导致最终得到的决策树不确定的缺点,并由此减小了对所分析数据产生误解的风险。     

一种与神经元网络杂交的决策树算法

神经元网络在多数情况下获得的精度要比决策树和回归算法精度高,这是因为它能适应更复杂的模型,同时由于决策树通常每次只使用一个变量来分支,它所对应的识别空间只能是超矩形,这也就比神经元网络简单,粗度不能与神经元网络相比,然而神经元网络需要相对多的学习时间,并且其模型的可理解性不如决策树、Naive-Bayes等方法直观,本文在进行两种算法对复杂模型的识别对比后,提出了一个新的算法NNTree,这是一个决策树和神经元网络杂交的算法,决策树节点包含单变量的分支就象正常的决策树,但是叶子节点包含神经元网络分类器,这个方法针对决策树处理大型数据的效能,保留了决策树的可理解性,改善了神经元网络的学习性能,同时可使这个分类器的精度大大超过这两种算法,尤其在测试更大的数据集复杂模型时更为明显。     

野战辅助决策专家系统的研究

该文根据野战知识的特点,运用模糊数学理论,建立了野战辅助决策专家系统。系统运用了BP神经网络的并行推理机制,并选择最适合当前战场环境的知识进行推理,加快了推理速度。采用自组织学习和有教师学习相结合的学习方法,使知识库能够随着战场环境的变化而不断更新。提高了分析的可靠性和准确性。     

基于KBANN的调制识别仿真研究

BP网络广泛应用于多信号调制样式识别,但普通BP网络存在隐层数目难以确定、收敛速度慢、容易陷入局部最小等缺点.为了克服上述缺点,仿真研究了一种基于知识人工神经网络(KBANN)的信号调制样式识别算法.首先将C4.5算法引入信号特征参数的阈值分割,根据输出的决策树构造出具有决策树特征的拓扑结构,然后使用共轭梯度学习算法提高BP网络的收敛性能.仿真结果表明,与普通BP网络相比,基于知识神经网络的识别算法网络的结构易于实现、能有效改善网络收敛,并提高低信噪比下的正确识别率,为利用神经网络进行调制识别提供了新的思路.     

汽车轮速信号BP网络结构优化设计

本文将神经网络方法引入到轮速信号处理之中,以实际采集的噪声信号作为输入,以小波滤波信号作为标准的输出,设计一个3层BP网络,根据结构的优化设计新方法,建立相应的神经网络模型;以所采集数据中的一部分作为学习样本,对所建神经网络模型进行训练、仿真;以采集数据中的其余部分作为检验数据。仿真结果表明,该模型能以很小的误差逼近标准的滤波输出。