动态模糊决策树学习模型及应用研究

摘要

决策树学习是广泛被人们使用的一种学习方法。本文抓住决策树新面对的动态模糊性问题。引用动态模糊集基本理论，(1)提出基于DFS及相关理论的动态模糊决策树(DFDT)：(2)提出了以属性论域成员为测试结点判断条件的选择算法；(3)以信息熵及其相关概念为评价标准的动态模糊数据离散化方法(论域、隶属度离散化)和测试结点选取方法；(4)提出了DFDT在建树阶段和匹配阶段中对缺失值属性的处理方法；(5)构造了DFDT自修剪系统，使DFDT产品在实际使用中自我完善；(6)使用DFDT为核心工具，建立了城市道路监控系统，对DFDT的应用进行了研究。 综上所述，本文的特色表现在： (1)深入研究DFDT建树和匹配过程中对缺失属性条件的处理方法，使建树过程中充分利用包含缺失属性的样例，而在匹配过程中提高准确率。 (2)提出了DFDT的自修剪系统，使DFDT在实际使用中能随使用次数增加而提高性能，减少DFDT在建树阶段中对训练数据过度拟合的负面影响。 (3)对DFDT在各领域的应用做了研究，并以计算程序模拟了运行过程。 尽管如此，本文的工作还很基础，今后还有许多工作需做进一步研究，如DFDT建树速度优化、DFDT自修剪中的结构优化等。

目录

文摘

英文文摘

声明

第一章引言

1.1问题的提出

1.2研究现状

1.3内容安排

第二章动态模糊决策树

2.1动态模糊集(DFS)理论基础

2.2动态模糊决策树

2.2.1建树策略

2.2.2离散化方法

2.2.3动态模糊决策树建树算法(DFDTA)

2.2.4缺失属性处理方法

2.3规则提取和匹配

2.3.1规则提取

2.3.2规则匹配

2.4 DFDT的修剪策略

2.5不同决策树的比较

2.6本章小结

第三章DFDT的自修剪系统

3.1自修剪的必要性

3.2自修剪系统框架

3.3决策树模块结构

3.3.1结点构造与修正

3.3.2分支改动步骤

3.4错误样例模块结构

3.5修剪算法模块

3.5.1搜索需修剪分支

3.5.2修剪分支策略

3.5.3修剪算法

3.6自修剪系统的性能分析

3.7本章小结

第四章基于动态模糊决策树的城市道路监控系统设计

4.1问题的提出

4.2系统的框架

4.3目标车辆识别

4.3.1研究现状分析

4.3.2背景图片的动态模糊性分析

4.3.3外来物体搜索框架

4.3.4 DFDT的应用

4.3.5捕捉外来物体

4.3.6实验分析

4.3.7算法对比

4.4车牌号码识别

4.4.1研究现状分析

4.4.2确定车牌位置

4.4.3识别车牌号码

4.4.4 DFDT的应用

4.4.5实验对比分析

4.4.6自修剪系统用途分析

4.5监控逻辑的动态模糊决策

4.5.1问题的提出

4.5.2问题的分析

4.5.3实验分析

4.6本章小结

第五章结论与展望

参考文献

致谢

附录