利用集成剪枝和多目标优化算法的随机森林可解释增强模型

随机森林模型是广泛应用于各个领域的经典黑盒模型,而黑盒模型的结构特征导致模型可解释性弱,需要借助可解释技术优化随机森林的可解释性,从而促进其在可靠性要求较高场景的应用与发展。研究构建了基于集成剪枝和多目标优化算法的规则提取模型,集成剪枝在解决树模型规则提取易陷入局部最优的问题上具有代表性,多目标优化在解决规则准确性和可解释性的平衡问题上有多个领域的应用。模型验证结果表明,所构建模型能够在不降低准确性的前提下优化模型的可解释性。本研究首次将集成剪枝技术与多目标优化算法相融合,增强了随机森林的可解释性,有助于推动该模型在可解释性要求较高领域的决策应用。

决策树剪枝加强的关联规则分类方法

传统关联规则挖掘在面临分类决策问题时,易出现非频繁规则遗漏、预测精度不高的问题。为得到正确合理且更为完整的规则,提出了一种改进方法 DT-AR(decision tree-association rule algorithm),利用决策树剪枝策略对关联规则集进行补充。该方法利用FP-Growth(frequent pattern growth)算法得到关联规则集,利用C4.5算法构建后剪枝决策树并提取分类规则,在进行置信度迭代筛选后与关联规则集取并集修正,利用置信度作为权重系数采取投票法进行分类。实验结果表明,与传统关联规则挖掘和决策树剪枝方法相比,该方法得到的规则在数据集分类结果上更准确。

基于关联规则挖掘的电网设备差异化状态检测

WFP电网设备差异化状态检测方法在电网设备数量增加但数据量不变时加速比较低,因此设计一种基于关联规则挖掘的电网设备差异化状态检测方法。根据电网设备的实际参数,分析电网危害程度,简化风险评估分级,建立设备差异化状态风险矩阵;利用决策树模型挖掘得到设备历史运行数据中满足支持度要求的项集,并对决策树模型进行剪枝处理;最后得到数据之间潜在关联,完成电网设备差异化状态的检测。实验结果表明,在告警量较少的情况下,设计方法更加接近理想加速比,验证了方法具有较好的性能。

一种聚类矩阵和剪枝策略结合的关联规则算法

在医学领域,Apriori关联规则算法在慢性病等方面有广泛应用。然而,该算法存在一些问题,比如需要多次扫描病例数据库、产生大量数据集和冗余规则。针对出现的相关问题,提出一种结合聚类矩阵和剪枝策略的关联规则数据挖掘算法。通过添加约束条件,并采用聚类矩阵方法来压缩存储事务数据库。同时,引入前剪枝和后剪枝策略优化算法。实验证明,这种优化算法显著减少了数据库的扫描次数,降低了候选项目集的数量,缩短了算法的执行时间,大大提高了运行效率。

基于不确定数据的频繁项查询算法

频繁项的查询是一项非常重要的技术,但在新兴的不确定数据领域却是一项新的研究课题.基于不确定数据,提出了一种新的频繁项定义,并提出了两条过滤规则,可以有效地减少检测数据的数量.最后提出高效的频繁项查询算法UFI,该算法通过找到概率求解中的递推规律,极大提高了单点检测效率.实验结果显示:提出的方法可以有效地减少候选集,降低搜索空间,改善在不确定数据上的查询性能.

产品专利设计知识获取方法研究

为了获得专利文献中的产品功能与结构的相关知识,提出一种基于关联规则的知识获取方法.通过提取专利文献的权利要求书中特征零部件,分析标题或摘要中的目的功能和手段功能,建立手段功能-特征零部件和目的功能-手段功能的训练集,并采用作者提出的修剪分类算法提取它们之间的关联规则,获得特征零部件-手段功能-目的功能之间关系的知识,以辅助产品的持续创新.并以冲击钻为例验证了该方法的有效性.

基于主从支配点的无线自组网络广播算法及优化

文中提出了一种分布式主从支配点广播算法,节点利用局部拓扑结构选择支配点并对其进行主从划分,只有主支配点才对广播报文进行转发,从支配点负责监测网络的覆盖情况,当发现有未被覆盖的邻居节点时它就自动转化为主支配点,这样不仅降低了转播节点的数目,而且能够保证对网络的完全覆盖.在此基础上文中又提出了自剪枝规则对广播算法进行优化,自剪枝规则不会影响网络的完全覆盖性,并且能够进一步消除冗余转播节点,提高广播算法的性能.文章对算法的的正确性和有效性进行了理论分析,并通过仿真对它们的性能进行了验证和对比,结果表明它们优于其它广播算法.

带非凸二次约束的二次规划问题的全局优化方法

利用二次函数的线形下界函数对带有非凸二次约束的二次规划(QP)提出一种新的求其全局最优解的分支定界算法。为改进算法的收敛性,根据问题的最优性和可行性提出一新的区域剪枝准则以排除(QP)的可行域中不存在全局解的部分。数值算例表明该准则能有效地加速算法的收敛性。

基于动态剪枝的关联规则挖掘算法

介绍了目前关联规则挖掘的研究工作 .分两个部分提出了基于动态剪枝的关联规则发现方法 .讨论了如何实施动态剪枝 ,给出了一个基于三元组结构的树式存储结构 ,在此基础上描述了交易数据库中知识发现算法 .并将提出的方法与关联规则挖掘中具有里程碑意义的 Apriori算法进行了对比分析 ,给出了相应的分析结果 。

判据搜索算法及其在DNA序列模式发现中的应用(英文)

模式发现是计算生物学一个重要的研究方向,但目前的大部分算法还不能保证获得最优的模式。将模式发现问题转化成层次图的路径搜索问题,推导了针对三个序列片段相似性关系的判据,以其作为剪枝规则提出并实现了一种深度优先的穷举搜索算法:判据搜索算法(CriterionSearchAlgorithm,CRISA)。理论分析表明,对于绝大多数模式发现问题,CRISA具有多项式的计算时间复杂度和线性的空间复杂度。对仿真的和实际的DNA序列数据的测试表明,CRISA能够快速而完全地识别出序列中所有的模式,并且获得了优于其它算法的总体评价。

滑动窗与修剪技术的动态模糊神经网络方法研究

提出了一种新型的动态模糊神经网络算法,该动态模糊神经网络的结构基于扩展的径向基网络。其算法的最主要特点是:使用滑动窗技术保持固定长度的数据来调整参数,避免了数据饱和;使用了修剪技术,使得网络结构不会持续增长,避免了过拟合及过训练现象,因而确保了系统的泛化能力。最后通过对血压的控制来验证动态模糊神经网络的逼近能力及所提控制方案的有效性。由仿真结果表明使用滑动窗与修剪技术的D-FNN控制器具有良好的性能。

基于IF-THEN规则的决策树裁剪算法

决策树是机器学习和数据挖掘领域中一种基本的学习方法。文中分析了C4.5算法以及该算法不足之处,提出了一种决策树裁剪算法,其中以规则信息量作为判断标准。实验结果表明这种方法可以提高最终模型的预测精度,并能够很好克服数据中的噪音。

基于蚁群优化的分类规则挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。在此提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的规则剪枝方法,提高了分类算法的效率和准确率。实验表明该方法是有效的。

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。

基于负载均衡和冗余剪枝的并行FP-Growth算法

针对现有的并行FP-Growth算法在数据并行分组时存在数据冗余和负载不均的问题,提出了基于负载估算和冗余剪枝的优化算法。首先,在采用高频策略分组时,引入节点任务估算方法,把每个分组中最大模式树的最长路径和支持度作为该分组的估计值,将估计值远大于其他节点的分组进行分割,平均到其他分组中,并且对不同分组中重复的列表元素进行截断,去除冗余数据。实验表明,本文提出的算法能够有效防止并行化的数据倾斜,减少数据冗余,在时间和空间复杂度上要低于以前的并行化FP-Growth算法。

组合Skyline的求解与更新算法

针对现有组合Skyline查询算法剪枝效率低、对低维数据集计算速度不理想的问题,提出一种快速求解与更新组合Skyline的算法。定义支配区的相关概念,给出相应剪枝规则裁剪无用的数据组合。对于数据集添加数据点和删除数据点的情况,在原有查询结果的基础上根据数据点所在分区实施不同的操作,从而实现查询结果的快速更新。实验结果表明,该算法可有效提高剪枝效率,加快运算速度。

利用扩展概念格进行关联分类的算法

针对关联分类规则产生的候选规则过多导致效率不高的问题,提出一种基于频繁闭项集组成的扩展概念格的分类规则获取方法.利用频繁闭项集提出一种新的概念格模型,通过性质和定理对概念格结点进行剪枝,以抽取分类尽量少且最有效的关联分类规则.研究结果表明:该算法能挖掘出高质量且包含重要信息的关联分类规则,并大大减少关联分类规则的数量,在分类准确率上比现有的关联分类典型算法更高.

基于修剪技术分级学习的动态模糊神经网络算法研究

在D-FNN中采用了修剪技术,可以检测到不活跃的模糊规则并加以剔除,从而获得更为紧凑的结构。在D-FNN中,前提参数是在学习过程中自适应地进行调整。由于分级学习策略的应用,大大提高了学习的有效性,加之参数调整只限于线性参数,没有迭代学习,因而学习速度很快,这使得本算法应用于实时学习和控制成为可能。最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性。

高斯激活函数特征值分解修剪技术的D-FNN算法研究

提出了一种D-FNN的新算法。其算法的最主要特点是:D-FNN选择高斯函数作为网络的激活函数和模糊系统的隶属函数,该算法不仅具有强大的全局映射泛化能力,而且在细化局部方面也有效;使用特征值分解修剪技术使得网络结构不会持续增长,可获得更为紧凑的D-FNN结构,避免了过拟合现象。最后通过对Her-mite多项式逼近能力来验证所提方案的有效性。仿真结果表明使用特征值分解修剪技术和高斯激活函数的D-FNN具有良好的性能。

规则可生长与修剪的非线性系统T-S模糊模型辨识

通常离线提取T-S模糊模型的规则后,规则数无法在模型使用中进行调整,而这成为表达非线性系统复杂性的一个瓶颈.针对这一问题,本文引入一种神经网络的生长和修剪方法,从实时数据中提取T-S模型的规则,并定义其对应局部模型对输出的影响,以此作为在线调整规则数的依据,从而更准确地表达了非线性系统的复杂性和运行中的变化.再加上基于竞争性EKF(Extended Kalman filter)的模型参数在线学习,T-S模型的建模精度也得到了保证.整个算法完全实现了T-S模糊模型的在线辨识,使模型的结构和参数具有很好的自适应能力.对CSTR(Continuously stirred tank reactor)系统的辨识,表明了该算法在处理非线性系统辨识问题上的优越性能.