国内外城市轨道交通分类规则与方法研究

目的:城市轨道交通系统的类型是实施其作为骨干公共交通国家战略的基本依据。我国现行的城市轨道交通分类标准已经过时,在城市轨道交通技术蓬勃发展及乘客出行需求日益多样化的大背景下,需研究并制订针对我国城市轨道交通分类的国家标准。方法:介绍了WTO(世界贸易组织)、美国、欧洲、国外社会团体的分类规则;介绍了我国现行分类标准CJJ/T 114—2007《城市公共交通分类标准》,并分析了其存在的主要问题;介绍了国外城市轨道交通分类规则;分析了适用于我国城市轨道交通分类国家标准的设计目标、分类规则,以及城市轨道交通制式的基本属性与技术特征等。结果及结论:我国城市轨道交通的公共属性决定了其分类需具有强制性和基础性,国外的分类规则和方法应予以借鉴;城市轨道交通分类国家标准的起草与现行城市轨道交通国家标准、行业标准、工程建设标准和产品标准应保持一致,对于术语、分类定义等内容需符合标准化规则;宜采用“制式”作为城市轨道交通类型的表达,制式的分类应包括如服务对象、性能、安全要求和规格尺寸等按照目的用途和功能表达类型所划分的基本属性,以及类型、术语、定义、功能、车辆指标、运行特性和运行环境等技术特征。

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法 ,在分析有关算法的基础上提出一种改进方法 ,并通过实例证明了该方法的效率有所提高。此外 ,还提出了一种分类规则约简方法 ,使挖掘的结果更简洁、更易理解。

基于模糊分类规则树的文本分类(英文)

针对传统的基于关联规则的文本分类方法在分类文本时需要遍历分类器中的所有规则,分类效率非常低的问题,提出一种基于模糊分类规则树(FCR-tree)的文本分类方法.分类器中的规则以树的形式存储,由于树型结构避免了重复结点的存储,节省了存储空间.模糊分类关联规则与一般分类规则相比,不仅包含了词条信息,还包含了词条出现频度对应的模糊集,所以FCR-tree的构建过程及树的结构不同于一般规则树CR-tree.为降低构建及遍历FCR-tree的难度,采用了构造多棵k-FCR-tree的方法.在搜索规则树时,如果结点中的词条没在待分类文本中出现,则不需要再搜索该结点引导的子树,大大减少了需要匹配的规则的数量.实验表明该方法是可行的,与遍历分类器的分类方法相比,分类效率有了明显提高.

基于分类规则树的频繁模式文本分类

基于频繁模式的关联分类是近年来出现的一种分类方法,该方法利用各类别频繁出现的模式构造分类规则,并对新文本进行分类.但现有关联分类方法应用于文本分类时存在两方面不足:一方面,用以构造分类规则的频繁模式仅考虑特征词在文本中出现与否,从而忽视了出现频度;另一方面,当产生的规则数量较多时,为提高分类效率需要进行规则修剪,修剪后的分类准确性明显降低.为此,提出了基于分类规则树的带词频的频繁模式文本分类方法.研究结果表明,词频的引入可以提高关联分类的准确率;而采用分类规则树可使分类时间明显加快又确保不降低分类质量.这两方面的措施弥补了现有关联分类应用于文本分类的不足.与3种典型文本分类方法比较后发现,在低维特征空间中,关联分类的性能优于Bayes,kNN(knearestneighbor)和SVM(supportvectormachines),因此是一种很有应用前景的文本分类方法.

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点。以G IS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架。针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法。选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较。结果表明:(1)该算法具有较高的分类精度;(2)加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度。通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度。新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性。

基于分类规则的C4.5决策树改进算法

为解决大样本数据条件下C4.5决策树算法需要训练集常驻内存、分类精度达不到需求以及如何选取最优分类规则等问题,提出了一种基于分类规则选取的C4.5决策树改进算法。通过数次有放回的随机抽取训练集形成多个分类规则,在多次分类规则内寻找特征的最优取值以建立最优分类规则,以划分相似度为标准进行C4.5决策树最优特征选取,在此基础上利用选定的最优分类规则和最优特征对C4.5决策树算法进行改进。实验结果表明,改进后的算法可有效解决C4.5决策树与初始训练集相关性较大的问题,对大样本数据集的分类识别在识别率上有显著提高,训练时间明显减少。

基于粗糙集理论的分类规则发现

研究了利用粗糙集理论中核的概念，求取信息系统的最小简化策略，给出了从数据库中发现分类规则的方法。

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法.通过研究决策表和决策规则系数,建立了基于粗糙集表示和度量的知识理论,将GA和粗糙集分类规则挖掘算法相结合,在保持原有知识完备的前提下,利用GA对以增量形式获得的分类规则进行优化,获取最优分类规则.试验结果表明,执行增量式GA所需时间较执行一般GA所需时间要少,可有效完成分类规则优化的任务,同时还可提高分类的精度,使分类结果具有更好的可理解性.

粗糙集在数据挖掘分类规则中的应用研究

数据集中的冗余属性会降低数据挖掘结果的解释能力和精度。介绍了数据集中挖掘分类规则的基本原理 ,并利用粗糙集理论中核及决策类覆盖的概念 ,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系 ,并简化带有不相容规则的决策系统的数据挖掘算法 。

基于模糊区域分布的分类规则提取及推理算法

基于不同分类的样本在各规则对应模糊区域的隶属度分布,定义了一种规则相对匹配度,比分类匹配度更能体现样本在不同模糊区域的分布对比.设计了模糊区域分布矩阵,由该矩阵可以算得规则相对匹配度和分类匹配度,并提出了基于规则相对匹配度的分类规则提取算法,同分类匹配度算法相比,该算法充分考虑了每条规则之间的隶属度分布对比,同时以各分类样本的相对数量作为加权系数,从而兼顾了学习空间的全局密度优势和局部数量优势.通过解模糊器实现了基于规则的分类推理,其推理过程比以往算法具有更好的解释性和简洁性.最后,由Iris数据和Wine数据的分类实验证明:无论样本数量均衡与否,由规则相对匹配度提取规则都具有更好的分类效果.

基于多群协同人工鱼群算法的分类规则提取算法

在对基本人工鱼群算法原理分析的基础上,提出了一种多群协同人工鱼群算法用于实现对连续空间变量的分类规则提取问题。定义了基于规则支持度与置信度的规则评价函数,构造了人工鱼在规则提取应用中的特定编码及相关概念的计算公式,给出了该算法的具体实现步骤,并用VC++软件编程实现。最后对Iris和Wine数据集进行测试实验,并与单群体鱼群算法及多种群微粒群算法进行比较。仿真结果表明,该算法能够快速提取分类精度较高的分类规则,因此利用该算法解决连续变量分类规则提取的相关问题是可行且有效的。

一种基于信息增益的分类规则挖掘算法

提出了一种基于信息增益的分类规则挖掘算法.该算法主要包括决策树的构造、分类规则的提取、规则兴趣度度量3步.结合一个具体的例子,解释了使用该算法来挖掘分类规则的基本过程.

一种基于CHI值特征选取的粗糙集文本分类规则抽取方法

结合文本分类规则抽取的特点,给出了近似规则的定义。该方法首先利用CHI值进行特征选取并为下一步特征选取提供特征重要性信息,然后使用粗糙集对离散决策表继续进行特征选取,最后用粗糙集抽取出精确规则或近似规则。该方法将CHI值特征选取和粗糙集理论充分结合,避免了用粗糙集对大规模决策表进行特征约简,同时避免了决策表的离散化。该方法提高了文本规则抽取的效率,并使其更趋实用化。实验结果表明了这种方法的有效性和实用性。

粗糙集方法及其在化学模式分类规则挖掘中的应用

简要介绍了粗糙集的基本概念 ,决策系统的约简步骤和分类规则的挖掘原理 ,提出了基于信息熵的数据离散化方法 ,使之充分结合粗糙集特性 ,具有良好的推广性。又以经典的橄榄油产地判别为例 ,采用粗糙集方法 ,无需先验知识 ,不用设定参数 ,即能消除冗余的属性和属性值 ,约简化学系统 ,从样本数据中挖掘出简明直接、易于理解的产生式分类规则 ,构建专业意义明确的化学模式分类模型 ,其预报性能良好 ,效果令人满意。

用于分类规则提取的演化算法分析与设计

在知识发现流程中,分类规则是主要的挖掘任务之一。针对传统的基于统计分析的挖掘算法在保证知识的有趣性方面的缺陷,提出了利用演化计算这种智能计算模型的全局搜索特性和完全适应值导向特性来进行分类知识的自动挖掘和处理,不需要先验知识,以确保知识的有趣性。提出了用IF-THEN这种高层次的知识表示形式来提高知识的可理解性。并给出了个体表示,遗传操作和适应值评估等几个在演化算法中起重要作用的成分的设计原则和方法。

一种基于GEP的分类规则挖掘算法

基于一种新的自动程序设计方法基因表达式程序设计(GEP),通过设计适应函数、初始化群体的优化、增加新的遗传算子以及采用演化策略中的(λ+μ)淘汰策略等对原始GEP算法进行有效的改进,设计出一种新的数据挖掘算法。采用UCI机器学习知识库中的数据集对该算法进行了实验,并通过与C4.5及文献[3]的比较,检验了该算法的准确性。

基于蚁群算法的分类规则挖掘算法

提出了一种基于蚁群算法的分类规则挖掘算法。算法实质上是一种序列覆盖算法:蚁群搜索一个规则,移去它覆盖的样例,再重复这一过程,从而得到共同覆盖样例的一组规则。针对蚁群算法计算时间长的缺点,提出了一种变异算子。对两个公用数据的实验及其与C4.5和Ant-Miner的对比表明,算法能够发现更好的分类规则,包括预测能力更强,有更少规则的规则集,以及形式更简单的规则。实验同时显示变异算子有效节省了计算时间。

基于增量式遗传算法的分类规则挖掘

分类知识发现是数据挖掘的一项重要任务 ,目前研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。将遗传算法与分类规则挖掘问题相结合 ,提出了一种基于遗传算法的增量式的分类规则挖掘方法 ,并通过实例证明了该方法的有效性。此外 ,还提出了一种分类规则约简方法 ,使挖掘的结果更简洁。

基于扩展概念格的分类规则获取算法

概念格是进行数据挖掘和规则提取的有力工具,通过分析概念格中概念的特征,提出了扩展概念格以及基于扩展概念格的分类规则获取算法。实验表明该算法能够生成简洁并且易于理解的规则集。

关联规则和分类规则挖掘算法的改进与实现

对Apriori关联规则挖掘算法提出了一种改进方法，使其可以有效地压缩数据规模，提高了原Apriori算法的执行效率。此外，还对OC1分类规则挖掘算法提出了改进，扩展了该算法的适用范围。同时，该采用这两个改进算法实现了一个数据挖掘原型系统。