用随机决策树群算法进行高光谱遥感影像分类

高光谱影像具有丰富的光谱信息,与全色、多光谱影像相比能更好地进行地面目标的分类识别.该文对决策树分类算法的优劣进行分析,引入随机决策树群算法,对青海省祁连县Hyperion高光谱影像和IRS-P6影像数据进行实验,使用子空间划分和光谱距离进行降维后,分别采用支持向量机、神经网络、最大似然法进行分类,并与随机决策树群算法分类结果进行比较.结果表明,该算法表现最优且无需降维预处理,可广泛应用于高光谱遥感领域.

基于加权多随机决策树的入侵检测模型

传统的决策树分类方法(如ID3和C4.5)对于相对小的数据集是很有效的。但是,当这些算法用于入侵检测这样的非常大的数据时,其有效性就显得不足。采用了一种基于随机模型的决策树算法,在保证分类准确率的基础上,减少了对系统资源的占用,并设计了基于此算法的分布式入侵检测模型。最后通过对比试验表明该模型在对计算机入侵数据的分类上有着出色的表现。

基于属性重要度的随机决策树学习算法

文章提出一种基于属性重要度的随机决策树构造算法ASRDT,该算法利用粗糙集理论计算每个属性的属性重要度,提升重要属性的影响因子,使得建树过程中随机选择属性时,不同属性之间的区分度得以体现,从而显著提高了算法的抗干扰能力,使ASRST在保持原有RDT算法优点的基础上,更具有良好的分类准确率及稳定性。

改进随机决策树群算法在监督分类中的应用

通过添加树平衡系数、设定节点不纯度和区分样本类型,对现有的随机决策树群算法进行了改进,提出了改进的随机决策树群算法。以广东省龙门县土地覆盖的ALOS遥感影像为研究对象,利用改进的随机决策树群算法对研究对象进行遥感监督分类,并将研究结果同传统的最大似然分类方法的结果进行对比,发现分类总体精度从81.46%提高至92.45%,Kappa系数达0.9091。改进的随机决策树群算法考虑了极不均衡决策树、节点不纯度和训练样本区分对随机决策过程运行效率的影响,可有效提高遥感分类效率和分类精度。

基于加权多随机决策树的入侵检测分类算法

传统的决策树分类方法(如ID3和C4.5),对于相对小的数据集是很有效的。但是,当这些算法用于入侵检测这样的非常大的、现实世界中的数据时,其有效性就显得不足。采用了一种基于随机模型的决策树算法,在保证分类准确率的基础上,减少了对系统资源的占用,并通过对比实验表明该算法在对计算机入侵数据的分类上有着出色的表现。

基于改进的随机决策树的煤矿安全评价方法

煤矿监测数据实质是一种数据流,煤矿安全评价可以看作是数据流的分类,分类的标识为安全和不安全。在随机决策树模型的基础上,使用Hoeffding Bounds不等式与信息熵确定分割点,代替用随机选择方法确定分割点。实验结果表明该方法对数据流分类具有更好的分类精度,为煤矿安全评价提供了一种新的实用方法。

浅谈随机决策树

该文介绍了随机决策树分类模型及如何启发式选择随机决策树的深度及棵树，通过实验证明了该算法的有效性和高效性。

基于决策树模型的城市人群稳态分布预测实证——以泉州湾片区为例

基于预测的城市人群时空变化特征对城市空间资源进行配置是城市规划的重要工作,城市人口在不同的空间中快速变迁移动,具有非均衡分布的特点。这种人群非均衡分布的时空变化具有一定的规律性,即稳态分布。本文基于LBS数据以及建成环境的多源异构大数据,选取4大类36小类指标,采用智能决策树模型构建城市人群稳态分布的预测模型。对于泉州的实证发现,预测模型的准确度达84.32%,具有较高的准确性和依据,其内在理论依据是城市人群在空间上的规律性时空活动,能够为未来的城市规划提供决策参考。

基于随机森林的财务异常数据提取方法

提出了一种基于随机森林的提取方法.通过明确财务数据具有的信息增益、信息储存量、搜索引擎等多种属性,建立决策树,利用基尼系数计算决策树中每个节点数据的类别值,将同一类别数据归类到同一层次内,若得到的数据特征分布较为混乱,采用分割法将所处数据集内的全部数据实施分割,直至迭代得到最为精准的结果.在决策树中引入选择性集成算法,根据得到的特征值,将具有同种特征的数据划分到同一子范畴内,保证特征统一性,在决策树中输入异常数据特征,通过特征查找提取到异常财务数据值.仿真实验证明,所提方法对异常数据的提取精准度高,误检率低,可以最少的迭代次数实现达到较好的结果.

不完全数据集的差分隐私保护决策树研究

主要研究在对不完全数据集进行决策树分析时,如何加入差分隐私保护技术。首先简单介绍了差分隐私ID3算法和差分隐私随机森林决策树算法;然后针对上述算法存在的缺陷和不足进行了修改,提出指数机制的差分隐私随机森林决策树算法;最后对于不完全数据集提出了一种新的WP(Weight Partition)缺失值处理方法,能够在不需要插值的情况下,使决策树分析算法既能满足差分隐私保护,也能拥有更高的预测准确率和适应性。实验证明,无论是Laplace机制还是指数机制,无论是ID3算法还是随机森林决策树算法,都能适用于所提方法。

基于生成式对抗网络和改进区域建议网络的输电线路杆塔缺陷检测方法

为了减少输电线路杆塔缺陷检测过程中受噪声信号和装置性能等因素的干扰,提高输电线路杆塔缺陷检测的正确率和检测效率。提出一种基于生成式对抗网络(generative adversarial networks,GAN)和改进区域建议网络(region proposal network,RPN)的输电线路杆塔缺陷检测方法。采用GAN采集输电线路杆塔的显著性图像,并利用半软阈值函数模型剔除图像中的噪声,避免噪声对缺陷检测过程产生影响。通过随机森林决策树提取输电线路杆塔图像的轮廓特征,基于多尺度算法对RPN进行改进,将特征输入到改进RPN模型中,通过缺陷的定位、分割完成输电线路杆塔的缺陷检测。试验结果表明,所提方法的输电线路杆塔缺陷检测正确率较高,具有较好的缺陷检测效果和检测效率,从而有利于提高输电线路杆塔缺陷检测的质量,减少电力事故的出现。

大数据算法在罪犯危险度评估中的应用研究——以决策树-随机森林模型为例

现有罪犯危险度评估体系主要是传统经验主义模式,体系不能自我升级、不能全时段监测、不能全员评估、不能全要素纳入。但罪犯危险度工作要求全时段、全员、全要素纳入危险评估,且能分析因子之间的相互影响,提前做出预判,这就需要应用大数据分析。决策树和随机森林模型在聚类算法中较为成熟,其分析结果相对于传统评估体系具有更高的准确性、时效性、全面性,并能不断自我升级优化,预测结果可以为罪犯危险评估工作提供意见参考。

基于彩色-深度传感器的电容层析成像图像重建方法

工业过程层析成像使用非干扰传感器获取过程容器、反应器等内部状态的二维或三维图像,因在工业应用中获取的电容层析成像资料和信息量有限,难以对影像进行精准、稳定的重构。为此,设计基于彩色-深度(Red Green Blue-Depth,RGB-D)传感器的电容层析成像图像重建方法。利用RGB-D传感器采集电容层析成像图像,采用非局部均值-权重法剔除图像中的噪声后,将图像输入到随机森林分类器中,提取图像的轮廓特征。通过快速投影Landweber算法对轮廓特征求解后,利用电容物质分布的重组完成电容层析成像图像的重建。实验结果显示:所提方法的峰值信噪比数值在35 dB附近波动,结构相似性数值在0.89~1.03之间,重建耗时在4.1 s以下,具有较好的重建效果、质量和结构相似性,能够有效提高重建效率。

样本驱动的多孔隙连通结构设计

为设计满足特定目标并具有近似自然形态的多孔隙结构,同时实现对结构内部连通性的控制,提出一种基于样本学习的多孔隙结构设计方法.首先以多孔介质的孔隙率和连通性作为设计指标,以6-邻接体素结构建立参数化设计单元,通过手工标记方式建立设计单元样本库;在此基础上,利用随机决策树森林(RDF)学习样本结构与设计目标之间的关联模型,生成设计规则;最后将整个设计方法集成于一个可扩展的多孔隙建模框架中.实验结果表明,RDF的泛化能力能够对样本库之外的结构进行正确的判定,可以在满足设计目标的同时得到更加自然的多孔隙结构.

一种抗噪的概念漂移数据流分类方法

隐含概念漂移的数据流分类问题是数据挖掘领域研究的热点之一,而实际数据中的噪音会直接影响概念漂移检测及分类质量,因此具有良好抗噪性能的数据流分类方法具有重要的研究和应用价值.随机决策树的集成模型是一种有效的数据流分类模型,为此本文基于随机决策树,引入Hoeffding Bounds不等式来检测和区分概念漂移和噪音,根据检测结果动态调整滑动窗口的大小和漂移检测周期,并提出一种增量式的集成分类方法ICDC,实验结果表明,本文算法在含噪音数据流上处理概念漂移是有效的.

基于多波束背向散射强度信号的海底表层沉积物粒度分类研究——以澳洲Joseph Bonaparte湾为例

近海海底地形探测与沉积物精确分类对涉海工程建设、生物栖息地反演以及海底资源勘查与开发具有重要的现实意义。以澳洲Joseph Bonaparte湾为例,利用多波束测深技术获取了该海湾约880 km^2水域的水深数据与背向散射强度信号,结合同步采集的54个海底表层沉积物样品,通过随机决策树模型对该海域海底表层沉积物进行了分类研究。结果表明:(1)利用随机决策树模型分析该海域沉积物类型与背向散射强度的关系时,当模型内部参数设置:树的总数为200,最小分裂节点为2,每棵树的最大分裂级数为5时,可提高预测准确率;(2)该参数设置下,利用13°和37°入射角的背向散射强度预测该海域沉积物类型时,准确率最高,其值为83.3%,且在研究海域,砂质砾和砾质砂分布在背向散射强度较强的深槽或海沟等地区,而砾质泥质砂和含砾泥质砂主要分布在背向散射强度较弱的浅水海域。分析还发现,当水深数据作为预测海底表层沉积物类型的特征变量时,有可能降低最终预测结果的准确率。