一、用于分类规则提取的演化算法分析与设计（论文文献综述）
操仁垒[1]（2020）在《网络多媒体业务的新型投票组合分类方法》文中研究表明随着互联网技术的高速发展,各种新型网络业务不断涌现。其中,由网络视频业务、网络浏览、网络音乐、网络游戏等组成的网络多媒体业务是增加较多的部分。网络多媒体业务的分类有助于网络业务供应商（ISP,Internet Service Provider）进行网络资源管理和提供个性化的Qo S保障。本文对网页浏览（Web）,在线直播视频（CBox）,在线点播视频（Youku）,网络游戏（LOL）这四种网络多媒体业务进行分类研究。主要的研究工作为:对目前常用的四种网络多媒体业务进行数据采集,设计改进的特征提取方法进行特征提取,并通过可视化方法直观地判断特征集用于分类的有效性。与现有方法的对比实验结果表明,本文方法所提取的特征集有较好的效用。基于机器学习中的集成学习思想,提出了一种网络多媒体业务的新型投票组合分类方法。该方法首先根据不同的数据集分布规律,选定三个基特征选择方法。通过对三个基特征选择方法所选择出的特征进行分类,并将分类结果进行投票组合得出最终预测标签。在投票组合的过程中,本文引入了置信度这一指标,可以在三个初始预测标签不相同的情况下,提高最终预测标签的准确率。本文方法在UCI数据集和网络多媒体业务数据集上进行了多次对比实验,包括对于不同基特征选择方法的组合实验,对于不同机器学习分类器的对比实验,对于不同特征个数的对比实验。实验表明,与现有方法相比,本文方法能提高分类准确率,且对于不同的数据集有着较好的适应性。
尹亮[2]（2020）在《基于Petri网的移动机器人脑机协同控制方法研究》文中研究指明脑机接口（Brain-Computer Interface,BCI）是一种新的人机交互方式,能够不借助语言和肢体动作直接通过大脑控制外部设备。脑控机器人是BCI的一个重要研究方向,脑控机器人系统把BCI系统和机器人系统相结合,通过采集用户的脑电信号对机器人进行实时控制,使其能够安全高效地执行用户预期的任务。目前,脑控机器人主要有直接控制和共享控制两种控制方法。直接脑控存在控制效率低、容易使用户疲劳等缺点。共享控制方法可以有效地提高脑控机器人的控制效率并减轻用户的思维负担,因此,共享控制方法正在成为脑控机器人的主要控制手段。本文所提出的基于Petri网的脑机协同控制方法是一种人机共享控制方法。论文的研究重点将按照以下方式展开:1.建立了一个脑控机器人系统,该系统由BCI系统和机器人系统组成。BCI系统通过脑电放大器采集用户的19导脑电（Electroencephalogram,EEG）信号,再对采集到的脑电信号进行预处理、特征提取和分类操作,根据运动想象EEG信号二级分类原理可以得到直行、左转和右转的脑电控制命令,然后设计AmigoBot移动机器人系统执行以上控制命令。该脑控机器人系统可实现对机器人的直接脑控,为脑机协同控制方法的研究提供实验平台。2.针对BCI中的共享控制问题,采用Petri网方法进行建模。将共享控制策略与BCI系统的内外部信息相结合,构建脑控机器人系统的Petri网模型,描述系统的运行状态,便于分析和改进共享控制策略。在Petri网建模中,加入控制库所来描述系统的外部输入,并通过合成Petri网的方法简化Petri网的建模过程。在完成脑控机器人系统的Petri网建模过程中,提出了一种Petri网模型转换算法,可以简单、安全地实现Petri网图形化模型和关联矩阵之间的相互转换。最后,通过可达图验证了该模型能够正确演化BCI系统的运行过程。3.将BCI系统、Petri网系统以及AmigoBot机器人系统组成脑机协同控制系统,并基于该系统设计了离线和在线实验,实验结果验证了所提出的基于Petri网的移动机器人脑机协同控制方法的有效性。本文提出的基于Petri网的移动机器人脑机协同控制方法,相较于其他共享控制方法而言,不仅可以实现人与机器之间的共享控制,而且基于Petri网模型的动态演化以及可达图分析,可用于设计、验证共享控制策略,有助于提高BCI系统的适用性。
周永章,陈川,张旗,王功文,肖凡,沈文杰,卞静,王亚,杨威,焦守涛,刘艳鹏,韩枫[3]（2020）在《地质大数据分析的若干工具与应用》文中认为大数据科学研究范式是大数据时代的必然结果。在大数据时代,地质学研究正面临着前所未有的挑战与机遇,亟需地质大数据分析的基础支撑。本文介绍若干种有价值的地质大数据分析工具及其应用。知识图谱以其强大的语义处理能力和开放组织能力,为大数据时代信息的知识化组织和智能应用提供了有效工具。它旨在描述真实世界中存在的各种实体或概念及其关系,构成一张巨大的语义网络图,以节点表示实体或概念,边则由属性或关系构成。机器学习与卷积神经网络模型仍然是当前地质大数据研究的热点。演化算法借鉴了自然界中生物进化与自适应过程的思想,是一种基于种群的元启发式最优化算法。它具有无需先验知识、能在全局范围内进行隐并行搜索的优点,可以用来精确地获取大数据中隐含的演化趋势与时空特征。图形社区发现技术将网络划分为若干个内部节点相似社区,为分析和理解网络提供有力的技术支持。随着空间分辨率、时间分辨率和辐射分辨率不断提高,遥感技术已广泛成为地质数据获得的主要技术手段。遥感大数据的数据存取和智能处理是最重要的发展方向。这些地质大数据分析方法已有成功的应用案例,并将广泛用于各种地质研究,如城市土壤污染智能监测、模拟、管控与预警研究,得益于地质大数据研究支撑系统的恰当选择以及地质大数据技术的强力支持,建立了可解释的多源多层城市土壤污染知识图谱,源于多源异构大数据有效融合的主要障碍正在去除。
李涛[4]（2019）在《基于演化计算的特征选择方法研究》文中指出特征选择技术是大数据分析与数据挖掘研究的热点之一,数据维度的激增为特征选择理论和方法带来了新的困境。特征选择能有效地处理高维数据,改善学习模型的泛化能力,但是数据规模的日益膨胀以及数据类型结构的多样化严重影响学习算法对数据的分析性能。依据特征蕴含信息的重要性,原始特征可以划分为无关特征、相关特征和冗余特征,而相关特征与冗余特征相互转化的特点使得搜索最优特征子集的任务更具挑战性。本文将特征子集选择任务刻画为特征组合优化问题,采用具有良好全局搜索和并行计算特性的演化计算方法进行特征空间寻优。主要研究适用于特征组合优化的个体编码策略、演化搜索机制、优化目标构建方法以及算法性能度量指标。分别从监督式演化计算与无监督式演化计算两方面对特征选择问题进行研究分析。前者主要研究基于单目标演化和包含分类边界信息的多目标演化的特征选择算法,以及基于个体熵的二元差分演化特征选择算法。后者主要针对样本缺少标签信息指导的问题,研究基于演化计算理论的无监督特征选择及其演化聚类优化算法。本文的主要创新点和具体研究内容为:（1）提出基于粒信息遗传优化的特征选择算法。构建基于粒信息的特征选择框架,通过粒化分析特征所包含的分类信息量以评价特征子集的优劣,从信息粒化的角度分别设计基于新型二进制遗传算法的特征粒化算子和基于粒度?邻域粗糙模型的样本粒化算子。特征粒化方面,设计基于粒化的机制评估候选特征子集,使得特征粒化算法选择出重要的特征;样本粒化方面,根据邻域半径先验知识划分不同的粒度层,并计算特定粒度层下的决策属性对条件属性的依赖度,从而获得良好的特征子集。为进一步研究分析粒度参数对候选特征子集选择的影响,又给出基于遗传算法的粒度优化算法,其主要目的是以自适应的方式选择合理的粒度值,使得获得的特征子集达到最优。通过实验结果以及应用实例表明,所提方法能显着改善特征子集的分类准确度。（2）提出基于改进多目标优化的混合特征选择算法。针对单目标特征选择算法选择出特征子集的综合性能较差的问题,本文分析多个优化目标的冲突关系,继续研究邻域模型中分类边界信息对特征重要度量的影响,引入新的邻域模型来计算正域值,该方法将边界区域蕴含的分类信息融入正区域中,使得选择的特征子集尽量包含相关特征。在此基础上,将特征子集规模与分类错误率作为两个优化目标综合评估候选特征子集的质量,同时设计相应的二进制编码策略,并将优化目标嵌入个体编码中以实时监控个体质量,利用个体非支配算子来获得Pareto解集。与此同时,计算候选个体之间的拥挤距离以增强演化进程中种群的多样性。给出特征核集的概念,研究Pareto前沿中不同候选特征子集的交叉信息,并基于此来计算最优的Pareto解。由实验结果分析表明,该方法能有效平衡相关特征数目和分类准确度的性能,获得良好的折中解。（3）提出基于个体熵的二元差分演化特征选择优化算法。为研究分析演化过程中多样性与收敛性对特征子集寻优的影响,提出一种高效的二元差分演化算法。首先定义个体熵,分析和量化个体熵与种群多样性的关系,并将个体熵融入优化目标函数,监督特征空间搜索过程中种群多样性的变化,然后给出一种基于局部反向学习的初始化策略,以避免因种群随机性造成的不收敛或早熟问题;设计能满足闭合条件的离散变异算子,根据不同的演化阶段采用相应的子操作,保证演化算法种群的多样性与收敛性。同时设计基于个体熵的自适应二元交叉算子,使得交叉因子依据个体适应度反馈自行调节,减少主观因素对演化过程的负作用。通过实验结果分析显示,所提方法在保证良好的分类性能和特征子集规模情况下,明显压缩了演化算法的时间成本。（4）提出基于差分演化的无监督特征选择及其聚类优化算法。针对缺乏标签信息指导特征子集搜索的问题,引入流形学习模型,构建新型的拉普拉斯计算方法来刻画数据集的内部结构,保留原始样本之间近邻或远离的关系,依据拉普拉斯值度量所选特征具有的局部保留能力,提出基于离散型差分演化的无监督特征选择优化算法,并给出新的个体变异算子和个体交叉算子,以获得优化的特征子集;为了验证选择的特征子集的质量,继而提出基于连续型差分演化的聚类优化算法,设计基于模式的编码策略来表征种群中的个体,并将样本间的紧密度与稀疏度作为聚类的优化目标,采用聚类精度、标准互信息和调整兰德指数三个指标来分析聚类结果。与现有基于稀疏学习的无监督特征算法对比可知,该方法可以有效地选择出能保留数据内部流形结构的关键特征,改善聚类效果。
曹子建[5]（2019）在《物态优化算法及其在高维优化问题中的应用研究》文中提出大数据环境的需求下,研究对象一般具有非线性、非凸、高维、超多目标等多种性质或者其中一种。如何对具有高维甚至超高维特征的优化问题进行有效求解,成为目前计算智能领域的一个严峻挑战。受物质在不同相态下丰富运动规律的启发,通过对其运动特性的观察和分析,抽象出自然现象中所蕴含与之相关联的搜索特性及其内在信息处理机制,提出了一种基于物态运动原理的计算模型,在此基础上设计了几种不同类型的优化算法,以解决传统智能算法在求解不同类型高维优化问题中的不足。本论文在系统分析智能算法设计中搜索策略功能互补性等方面的一些关键问题的基础上,构建了适用于高维问题求解的物态计算模型,设计了几类有效求解具有一般高维、变量耦合高维以及具有大规模变量的多目标等特性优化问题的优化算法,旨在有力地推动智能优化算法在大规模优化领域方面的理论研究,进而为新型大规模智能系统的设计提供方法支撑。本论文主要在以下几个方面展开了研究工作:（1）受物质在不同相态（气、液和固）下丰富运动规律的启发,构建了一种基于物态运动特性的计算模型,并提出了一种新型的自然启发式算法—物态优化算法（Phase Based Optimization,PBO）,用于求解连续大优化问题。首先,通过不断观察、挖掘不同相态下物质的运动规律,提炼出气态、液态和固态物质的运动特性,分析相应的搜索机理,建立物态计算模型;其次,在搜索机理的基础上设计相应的演化操作算子,构建基本的PBO算法;再次,为验证模型和算法的可用性和效率,对CEC 2016大优化竞赛中6个大优化问题进行了仿真实验,与其它先进的智能优化算法进行比较分析。实验结果表明,所提出的PBO针对具有高维特性的问题有较好的优化性能,表现出良好的潜力。（2）为进一步揭示PBO算法求解优化问题的本质,对PBO算法的逐步动态实现过程和三种相态的搜索行为进行分析,并在此基础上,采用随机过程和马尔科夫理论对群体的状态转移过程进行分析,证明其在种群规模无穷大的情况下是以概率1收敛到满意种群,此外对算法进行了时间复杂度的理论分析。最后在经典的23个基准测试函数上与基于生物进化、基于群体智能和基于其它自然现象等三大类启发式算法中的经典算法进行比较,验证了PBO算法的有效性和先进性;并对问题进行维数扩展,实验结果显示PBO算法在解决高维实际优化问题上具有一定优势。（3）为使PBO算法在求解问题的维度上更具扩展性,以适用于更大规模的优化问题,一种集成完全随机搜索和全局逐维引导搜索的混合策略被提出。该策略在求解高维优化问题时,能较好的平衡种群多样性和搜索收敛速度的关系。为避免混淆,命名改进算法为全局引导的物态优化算法（Global-best guided PBO,GPBO）。7个广泛使用的可扩展基准测试函数（从100、500到1000维）和一个126维的大规模输电定价实际优化问题被用于验证GPBO的性能,并与目前求解大规模优化问题中先进的6个优化算法进行对比。实验结果表明,在基准测试函数和实际优化问题上,GPBO都能够提供较好的求解精度和更快的收敛速度。（4）为使PBO算法适合于求解更为复杂的变量耦合高维问题,设计了一种全局搜索能力更为有效的混合PBO算法（Hybrid PBO,HPBO）,并结合合作性协同演化（Cooperative Coevolution,CC）在求解大规模问题的分而治之优势,提出了一种融合自适应局部搜索的CC框架（CC with Global and Local Search,CC-GLS）。在全局协同演化阶段,采用HPBO算法作为搜索优化引擎,并引入了一种命名为序列滑动窗口（Sequential Sliding Window,SSW）的变量分组方法进行种群的协同演化。当全局搜索的性能达到偏差容差而无显着性变化时,能够自适应采用更有效的局部搜索算法搜索更多的大规模优化问题的解空间,进一步提升搜索性能。将全局和局部搜索策略结合到CC框架中,可以有效地提高处理大规模变量耦合和不可分问题的能力。在CEC2010大规模优化基准测试的实验结果表明,该框架比现有的主流CC框架更有效。（5）为使PBO算法适合于求解具有大规模决策变量的多目标优化问题（MOPs with a large scale decision variables,LS-MOPs）,基于演化算法中组合多个算子将会给算法带来更好综合性能的这一思想,提出了一种基于多搜索策略的分解多目标物态演化算法（Multi-Objective Evolutionary Algorithms based on Decomposition and PBO,MOEA/D-PBO）。多搜索策略采用PBO算法中的气、液和固态搜索算子,MOEA/D-PBO中,根据个体与参照点之间的距离大小把种群划分为三个子种群,在此基础上,根据参考点为中心的个体的位置特征,执行三种不同的搜索策略以产生更好的候选解。在9个两目标（200维）和9个三目标LS-MOPs（300维）上的实验结果表明,MOEA/D-PBO可以提供优于MOEA/D-DE和IM-MOEA等主流MOEAs算法的IGD指标性能。最后,对全文的研究工作进行了总结,并对下一步研究的方向进行展望。
肖亮[6]（2019）在《基于可抛堆叠受限玻尔兹曼机的图像分类方法》文中认为图像分类是指根据一定的分类规则将图像自动分到一组预定义类别中的过程,它可以应用于许多领域,如人脸识别和医疗图像处理。传统的图像分类方法一般是使用人工设定的特征模式对图像进行特征提取,然后使用分类器对提取到的特征进行分类。然而对于具有复杂内容的图像,人工提取的特征难以符合实际需求,降低了分类的精度。相比传统基于特征的图像分类方法,深度学习可以实现自动提取特征,不需要人为干预,但是它提取的特征,没有对应的数学或物理含义,需要根据分类结果反复调整网络参数,以提取更合适的特征。深度置信网络是深度学习的分支,它有效的解决了特征有效性的问题,但是深度置信网络存在参数过多,导致优化算法优化困难,容易陷入局部最优。本文在总结研究深度学习图像分类方法的基础上,对运用深度置信网络模型解决图像分类问题进行了深入研究,设计了一个新的基于深度置信网络的图像分类方法及其网络参数优化算法。针对以上问题,本文具体工作如下:（1）提出可抛式堆叠受限玻尔兹曼机和分类网络构成的图像分类网络结构。本文使用堆叠受限玻尔兹曼机构成深度置信网络,该网络的目的是从图像中提取合适的特征,并且该网络可以验证提取特征的正确性。当特征提取完成后,堆叠受限玻尔兹曼机停止运行。特征被送到分类器完成分类任务。该网络可以避免同时调整特征提取网络和分类网络的参数,极大的减少了调整参数的困难。（2）提出了一种全局-局部的改进演化-梯度下降算法,该算法结合了演化算法和梯度下降方法的优点。将改进演化-梯度下降算法作为分类网络的训练算法,用于优化分类网络的参数。在改进演化-梯度下降算法中,首先使用梯度下降算法优化分类网络,当梯度下降算法陷入停滞时,梯度下降算法停止运行,改进的演化算法在梯度下降算法优化的基础上继续优化分类网络中的softmax分类器。该方法使用2种不同原理的优化方法,有效的减少了优化算法陷入局部最优的概率。（3）本文利用mnist手写数字图像数据集和葡萄酒数据集对该网络及优化算法进行了验证。实验结果表明,与其它图像分类方法相比,本文提出的分类方法具有更好的分类精度和抗过拟合能力。
唐建华[7]（2018）在《基于多源数据的目标特征库建立与自然资源资产信息提取方法研究》文中研究说明十八届三中全会以来,自然资源资产离任审计正在成为一种重要的管理举措,准确、及时地提取自然资源资产信息是自然资源资产离任审计工作顺利开展的重要保障。遥感影像具有覆盖范围广、费用低、现势性强等优势,以遥感影像为数据源提取审计目标信息,可以为自然资源资产离任审计提供有效的技术支撑。针对遥感影像空间分辨率与光谱分辨率存在相互制约的关系,采用单一数据源难以兼顾地物的空间信息与光谱属性,本文尝试以资源三号（ZY3）影像为基础数据,融合Landsat8与数字高程模型（Digital Elevation Model,DEM）数据,形成对自然资源目标更完整的描述,进而辅助自然资源资产信息的有效提取。采用面向对象分类方法,利用影像对象的光谱、形状与纹理等解译特征提取自然资源资产信息,能充分融合多源数据的优势,且避免了面向像素分类容易产生“椒盐噪声”、解译特征单一等问题,已经成为遥感信息提取的主要方法之一。通过影像分割获得与真实地物接近的影像对象是面向对象分类的基础,分形网络演化算法（Fractal Net Evaluation Approach,FNEA）构建的多尺度影像对象层能较好的反映地物的实际构成情况,但该算法采用单一的分割尺度,难以解决不同地物的最优分割尺度不同的问题;其次,审计人员往往缺乏遥感信息提取的专家知识,而传统信息提取方法需要通过目视判别选择训练样本,对专家解译知识依赖强,使自然资源资产信息提取效率低、自动化程度低;最后,多源数据面临解译特征维度高的挑战,降维是一个可行的解决方案,但特征选择同样需要一定的先验知识。因此,如何减少自然资源资产信息提取中的人工参与程度,解决非遥感专业的审计人员缺乏专家解译知识的问题,实现自然资源资产信息快速、有效的提取,是本文研究的重点。针对上述问题,本文研究了基于多源数据与多种分割方法的最优分割方案选择,基于多源数据的自然资源目标特征库建立,基于高维特征的分类模型构建等关键技术,在此基础之上开展了自然资源资产信息提取实验。本文的主要研究工作如下:（1）结合ZY3、Landsat8与DEM数据,采用分形网络演化算法对不同组合方式的数据进行分割;并通过光谱差异分割（Spectral Difference Segmentation,SDS）解决不同地物最优分割尺度不同的问题,改善了分割效果;基于改进的欧式距离3定量评价以上多种分割方案,获得了基于多源数据与多种分割方法的最优分割方案;（2）综合考虑自然资源审计需求与遥感影像所能反映的土地覆被信息,设计了自然资源分类系统;采用PostGIS数据库管理系统储存、管理对象级审计目标与解译特征,实现了基于多源数据的目标特征库构建;（3）基于目标特征库,利用Boosting技术集成决策树C5.0,实现了基于高维特征构建稳健的分类模型,解决特征选择需要依赖先验知识的问题;（4）利用多时相的多源数据开展了自然资源资产信息提取实验,验证了目标特征库辅助自然资源资产信息提取方法的可行性。研究表明:多源数据与多种分割方法协同,均能提高影像分割质量;基于目标特征库,利用Boosting技术集成决策树C5.0,挖掘的分类规则稳健性强;多时相的自然资源资产信息提取精度较高,目标特征库辅助的自然资源资产信息提取能在一定程度上减少人工参与程度,提高自然资源资产信息提取的效率与半自动化程度。论文的研究成果解决了非遥感专业的审计人员缺乏专家解译知识的问题,对自然资源资产信息准确、半自动化提取具有重要的实用价值,在自然资源资产离任审计中具有较好的应用前景。
李亚楠[8]（2018）在《石油储层含油性识别的特征选择和规则提取》文中研究说明近年来,在经济的快速发展下,中国对石油等能源的需求量逐渐增大,加上技术水平的限制及产业结构的调整等多种因素,中国石油产量远不能满足需求,到2017年为止,中国石油的对外依存度已经连续9年超过警戒线,并持续保持上升的趋势。这说明我国的石油供需矛盾进一步凸显,为了缓解这一矛盾,石油的增储上产是需要采用的必不可少的一种重要措施,而精确的识别石油储层能够使增储上产得到有力的保障。石油储层识别中主要包括储层含油性识别和关键属性预测两方面。其中,储层识别是储层评价、油藏描述、实时钻井监控等方面的一项重要内容,而储层含油性识别是储层识别的重要内容,是将测井信息还原为地质信息,体现测井解释成果和应用价值的高级阶段,它将直接影响石油勘探的效率与成功率。而在储层含油性识别中,关键测井属性对识别率的影响较大,测井属性的描述信息是否完整、是否存在冗余、是否与储层分类相关对最后进行石油储层分类的准确程度有直接的影响,同时管理人员对储层含油性分类的了解程度将会直接影响到其做出决策的合理性。因此如何从众多测井属性中筛选出关键测井属性,得到关键测井属性后如何将其转化为容易理解的知识信息显得尤其重要。为了解决测井数据中的关键属性提取问题和知识转化问题,本文首先致力于研究特征选择技术在测井属性集上的应用,然后在此基础上利用规则提取将关键测井数据转化为知识信息。本文在考虑了特征选择中各种评价算法、分类算法以及搜索策略的优缺点,以及规则提取中规则冲突的解决方案、规则集的评价准则以及搜索策略的优缺点,提出一种新的特征选择算法和规则提取算法。两种算法中都选择差分演化算法作为其选择策略。考虑到差分演化算法对控制参数的设置较敏感及局部搜索能力较差等问题,本文首先对差分演化算法进行改进。差分演化算法改进的基本思想是先通过正态分布和高斯分布生成一组缩放因子和变异概率,接着对这组控制参数进行变异操作生成一组新的控制参数,然后根据这两组控制参数对两个种群进行交叉、变异及选择操作,同时在选择操作中加入了模拟退火的思想,以便提高算法的全局搜索能力。为了测试改进差分演化算法的性能,本文将算法在17个基准测试函数上进行测试,并与其他几种常用的差分演化算法的测试结果进行比较,并对比较结果进行分析。分析结果表明,改进差分演化算法的整体性能要优于其他几种算法。随后,在改进的差分演化算法作为搜索策略算法的情况下,新的特征选择算法采用基于距离评价准则的ReliefF算法和基于信息评价准则的BIF算法、FCBF算法,以及随机抽取特征算法作为特征的评价准则算法对测井属性进行排序;选择模糊C均值算法、SOM神经网络算法、K均值算法和K近邻算法作为分类算法。新的特征选择算法采用特征选择的Filter模型和Wrapper模型相结合的方式,将改进的差分演化算法和特征选择算法融合,即先通过特征选择算法对属性根据与分类的相关度由高到低的进行排序,然后通过改进的差分演化算法随机生成选择属性的个数,根据对应的特征选择算法中对属性的排序结果,由高到低的选择出相应个数的属性作为属性子集,接着从属性数据集中选出对应的属性子集数据,然后把这些属性子集数据用相应的分类算法进行分类,并计算最后的分类准确率作为评断属性子集的标准。为了测试新的特征选择算法的性能,本文利用5个基准数据集进行算法的测试,即将新的特征选择算法的测试结果与其他几种特征选择算法的结果进行比较,同时将测试结果与未进行特征选择的测井属性数据集分别在模糊C均值算法、SOM神经网络算法、K均值算法和K近邻算法上进行分类的结果进行比较,并分析比较结果。分析结果表明,新的特征选择算法能够在保证识别率较高的情况下提取关键特征,因此该算法性能较优。最后将新的特征选择算法应用到江汉某油田的5口井的测井数据集上,对关键测井属性进行提取,剔除冗余测井属性,为下一步将属性数据转化为规则知识做准备。最后,在改进的差分演化算法作为搜索策略算法的情况下,新的规则提取算法采用“first-come,first-served”和“最大隶属度原则”来处理规则集中的冲突问题;选择分类精度、规则集中的规则数、规则集中的前件总数和没有被规则集覆盖的样本总数作为规则集的评估标准。新的规则提取算法的个体编码包括三部分内容:分类规则、控制参数和适应度值,其中分类规则包含了规则控制值、多个规则前件以及分类标签,而每个规则前件又包含了四个部分:前件控制值、前件连接类型、和两个常数。其中连接类型采用包括在内、大于等于、小于等于、不包括在内四种形式,以便于处理连续问题。为了测试新的规则提取的算法的性能,本文利用10个基准数据集对算法进行测试,即将算法的测试结果与其他四种规则提取算法的测试结果进行比较,并对结果进行分析。分析结果表明,新的规则提取算法在综合考虑识别率和规则集的可解释性时,性能优于其他算法。最后将新的规则提取算法应用到经过属性约减的测井数据集上,将测井属性数据与储层分类间的关联以”IF-THEN”的知识形式表示,以便于非专业人员能够更容易的了解储层的分类信息。本文主要的创新点包括:（1）提出了一种基于模拟退火的增强型参数自适应差分演化算法,即ESADE算法;（2）将ESADE作为特征选择的搜索策略应用于特征选择算法上,提出了一种基于ESADE的特征选择算法;（3）将ESADE应用于规则提取方法,提出一种基于ESADE的规则提取方法。
李晓靖[9]（2017）在《基于高分影像的面向对象分类与单木树冠提取研究》文中认为遥感技术凭借其快速、科学、外业工作量小等优势,成为了新兴的植被资源信息监测手段,林业工作者将遥感影像的解译结果与外业调查数据相结合,完成了森林资源监测的多种任务:蓄积量估算、土地覆被类型动态变化、树种识别、郁闭度估测、病虫害监测、树冠识别等。近年来,林业遥感迅速发展,数据源更加多元化、空间分辨率更高,其解译方法也不断推陈出新。本文以北京市延庆区的QuickBird影像为研究对象,借助分割试验探索基于最优尺度的面向对象分类方法,并基于该方法对研究区QuickBird影像和GF-2影像进行面向对象的单木树冠提取研究,并通过与种子点区域增长法、分水岭分割算法的提取效果对比分析以及结合实测数据的精度验证,证实了该方法的有效性。研究以期为森林资源监测工程提供参考。具体研究工作如下:（1）基于最优分割尺度的面向对象分类方法研究:结合最大面积法和分割质量评价模型进行尺度30-200的分割实验,首先通过分析对象最大面积来初步确定最优尺度的范围,然后结合分割质量的评价模型来确定最优分割尺度层次,并将尺度赋予不同的地物。在此基础上,对各类地物提取样本进行包括光谱、纹理等特征值的统计分析,并据其制定分类规则,最终完成最优尺度层次下的面向对象的土地覆被类型提取。结果显示:基于最优尺度层次的面向对象规则分类方法获得了比其他方法更好的分类结果,其总体精度达到了 88.8%,Kappa系数为0.861,而基于单一最优尺度的最邻近法分类总体精度81.4%,Kappa系数0.773,基于单一尺度的规则分类法总体精度为83.2%,Kappa系数为0.85。（2）单木树冠提取研究:以QuickBird影像和GF-2影像为研究对象,采用面向对象多尺度分割法对不同郁闭度的小班影像进行单木树冠提取,并将整体和局部的树冠勾绘效果图与种子点区域增长法、分水岭分割法的提取结果进行比较。根据目视分析,发现基于本文的最优尺度面向对象法的树冠提取结果要优于另外两种方法。我们结合样地实测的数据和GF-2影像的人工解译结果对基于最优尺度法的GF-2影像树冠提取结果开展了进一步的精度验证。通过对10个样地的验证,最终得到以下结论:①通过对平均株数提取精度的验证,发现自动提取样地林木株数和外业调查实测的株数存在一定的线性关系,其平均株数满足公式auto=0.9402manual-5.1476,相关系数为0.8483;②单株株数的精度验证结果表明,树冠总体分类精度良好,其中郁闭度为0.6的样地总体精度最高,达到85%,同时,随着样地郁闭度的增大,漏分现象和误判现象相应增加。③经过样地平均树冠直径的提取精度分析,发现自动提取的树冠直径总体上略小于样地实际树冠直径,其中有些郁闭度大的样地,因为树冠的误判较多,出现了提取树冠大于实际树冠的现象。
戴上平,姬盈利,王华[10]（2013）在《利用多群交叉变异人工鱼群算法生成分类规则》文中研究说明在基本人工鱼群算法的基础之上构建了用于解决连续变量空间分类规则提取的多群体人工鱼群算法,根据分类规则提取问题的特性设计了人工鱼的编码规则,并在此编码基础上定义了进行规则评价的适应值函数以及相关状态更新公式。为克服人工鱼群算法易陷入局部最优解的缺陷,引入了遗传算法中的交叉变异思想,设计了基于人工鱼的交叉及变异算子,提出了利用多种群交叉变异人工鱼群算法生成分类规则的算法思想。利用Iris和Wine数据集作为测试数据,结果表明:（1）该算法能够快速生成精度较高的分类规则;（2）在收敛效率及规则精度上全面优于基本多群体人工鱼群算法,并达到了多群体微粒群算法的性能水平。
二、用于分类规则提取的演化算法分析与设计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用于分类规则提取的演化算法分析与设计（论文提纲范文）
（1）网络多媒体业务的新型投票组合分类方法（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 网络多媒体业务介绍 |
| 1.2.2 传统网络数据流分类 |
| 1.2.3 基于机器学习的流分类方法研究现状 |
| 1.2.4 特征选择方法研究背景及意义 |
| 1.3 本文主要工作和论文结构 |
| 第二章 网络数据流分类的基础概念 |
| 2.1 网络数据流的介绍以及相关概念 |
| 2.2 机器学习分类器 |
| 2.2.1 无监督学习 |
| 2.2.2 有监督学习 |
| 2.2.3 半监督学习 |
| 2.2.4 集成学习 |
| 2.2.5 网络数据流分类的指标 |
| 2.3 特征选择 |
| 2.3.1 特征选择方法的分类 |
| 2.3.2 特征选择的过程 |
| 2.4 支持向量机 |
| 2.4.1 线性可分支持向量机与硬间隔最大化 |
| 2.5 朴素贝叶斯 |
| 2.6 决策树 |
| 2.7 k近邻分类算法 |
| 2.8 多目标演化算法ENORA |
| 2.9 本章小结 |
| 第三章 网络数据流特征与聚类分析 |
| 3.1 网络数据流的获取与特征提取 |
| 3.1.1 改进的特征提取方法 |
| 3.2 特征分析 |
| 3.2.1 网络业务流QoS相关统计特征 |
| 3.2.2 聚类分析 |
| 3.3 对比实验 |
| 3.4 本章小结 |
| 第四章 投票组合分类方法及实验 |
| 4.1 基于信息增益的特征选择方法 |
| 4.2 基于CFS的特征选择方法 |
| 4.3 Relief F算法 |
| 4.4 投票组合方法 |
| 4.5 实验设计 |
| 4.6 置信度理论 |
| 4.7 实验一 |
| 4.7.1 实验结果 |
| 4.8 实验二 |
| 4.8.1 实验结果 |
| 4.9 实验三 |
| 4.9.1 实验结果 |
| 4.10 实验四 |
| 4.11 本章小结 |
| 第五章 投票组合方法的推广应用 |
| 5.1 实验设计 |
| 5.2 UCI实验 |
| 5.2.1 数据集 |
| 5.2.2 置信度分析 |
| 5.2.3 实验结果 |
| 5.3 UCI对比实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（2）基于Petri网的移动机器人脑机协同控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 脑控机器人 |
| 1.2.1 脑控机器人系统组成 |
| 1.2.2 脑控机器人控制方式 |
| 1.3 国内外研究动态 |
| 1.3.1 国外研究动态 |
| 1.3.2 国内研究动态 |
| 1.4 论文的研究重点和章节安排 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 章节安排 |
| 第2章 Petri网建模方法 |
| 2.1 Petri网建模方法与脑控机器人系统 |
| 2.2 Petri网基础理论 |
| 2.2.1 Petri网定义 |
| 2.2.2 Petri网关联矩阵与演化算法 |
| 2.3 Petri网重要性质与可达图分析法 |
| 2.3.1 Petri网的重要性质 |
| 2.3.2 Petri网的可达图分析法 |
| 2.4 控制库所与Petri网的分解合成构造法 |
| 2.4.1 带控制库所的Petri网 |
| 2.4.2 Petri网的分解合成构造法 |
| 2.5 Petri网模型转换算法 |
| 2.5.1 Petri网关联矩阵转换算法 |
| 2.5.2 Petri网图形化模型转换算法 |
| 2.6 本章小结 |
| 第3章 脑控机器人系统设计 |
| 3.1 脑控机器人系统框图 |
| 3.2 BCI系统 |
| 3.2.1 EEG信号采集 |
| 3.2.2 预处理 |
| 3.2.3 特征提取 |
| 3.2.4 特征分类 |
| 3.2.5 运动想象EEG信号的二级分类 |
| 3.3 机器人实验平台 |
| 3.4 脑控机器人系统 |
| 3.5 本章小结 |
| 第4章 脑机协同控制系统的Petri网建模 |
| 4.1 脑机协同控制系统的控制策略分析 |
| 4.2 Petri网子网建模 |
| 4.2.1 检测系统子网 |
| 4.2.2 运动决策系统子网 |
| 4.3 脑机协同控制系统的Petri网模型 |
| 4.3.1 Petri网模型全局网 |
| 4.3.2 Petri网模型的可达图验证 |
| 4.4 脑机协同控制系统Petri网模型的改进 |
| 4.4.1 脑机协同控制系统的扩展子网 |
| 4.4.2 脑机协同控制系统的扩展全局Petri网 |
| 4.4.3 扩展全局Petri网的可达图验证 |
| 4.5 本章小结 |
| 第5章 基于Petri网的脑机协同控制实验 |
| 5.1 基于Petri网的移动机器人脑机协同控制系统 |
| 5.2 基于Petri网的共享控制系统测试 |
| 5.2.1 仿真环境 |
| 5.2.2 仿真结果 |
| 5.3 脑控机器人在线实验的准备工作 |
| 5.3.1 离线训练实验 |
| 5.3.2 反馈训练实验 |
| 5.4 基于Petri网的脑机协同控制在线实验 |
| 5.4.1 实验流程 |
| 5.4.2 在线脑控机器人实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文和研究成果 |
（3）地质大数据分析的若干工具与应用（论文提纲范文）
| 0 引言 |
| 1 知识图谱 |
| 2 演化算法 |
| 3 图形社区发现 |
| 4 机器学习与卷积神经网络模型 |
| 5 遥感大数据技术 |
| 6 地质大数据研究的支撑系统 |
| 7 结论 |
（4）基于演化计算的特征选择方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文的选题背景及意义 |
| 1.2 特征选择 |
| 1.2.1 特征关系概述 |
| 1.2.2 特征选择的基本框架 |
| 1.2.3 特征选择方法的类型 |
| 1.3 智能优化 |
| 1.3.1 演化计算思想 |
| 1.3.2 经典的演化算法 |
| 1.4 国内外研究现状 |
| 1.4.1 基于确定性搜索策略的特征选择 |
| 1.4.2 基于随机性搜索策略的特征选择 |
| 1.4.3 特征子集的度量方法 |
| 1.5 研究中存在的若干问题 |
| 1.6 本文主要研究内容及组织结构 |
| 1.6.1 本文主要内容 |
| 1.6.2 本文组织结构 |
| 第2章 粒信息遗传优化的特征选择算法 |
| 2.1 引言 |
| 2.2 相关研究基础 |
| 2.2.1 遗传算法原理 |
| 2.2.2 知识粒度概念 |
| 2.3 特征粒化算子 |
| 2.3.1 融合特征粒的编码机制 |
| 2.3.2 染色体度量函数设计 |
| 2.4 样本粒化及粒度优化算子 |
| 2.4.1 构建邻域样本粒度空间 |
| 2.4.2 粒度参数的优化 |
| 2.5 实验设计及结果分析 |
| 2.5.1 实验数据集及参数设置 |
| 2.5.2 IBGAFG算法与INRSG算法的表现 |
| 2.5.3 ROGA算法的表现 |
| 2.5.4 ROGA应用于企业财务预测 |
| 2.6 本章小结 |
| 第3章 改进多目标优化的混合特征选择算法 |
| 3.1 引言 |
| 3.2 相关研究基础 |
| 3.2.1 邻域决策模型 |
| 3.2.2 多目标优化理论 |
| 3.3 改进邻域正域的特征重要性度量 |
| 3.3.1 特征粒层构造 |
| 3.3.2 新的邻域正域 |
| 3.4 基于Pareto关系的多目标特征选择 |
| 3.4.1 个体编码策略 |
| 3.4.2 优化目标设计 |
| 3.4.3 非支配排序算子 |
| 3.4.4 个体拥挤算子 |
| 3.4.5 MONPR算法描述 |
| 3.5 MONPR的实验设计及结果分析 |
| 3.5.1 数据集及参数设置 |
| 3.5.2 Pareto前沿的比较与分析 |
| 3.5.3 MONPR收敛性与分析 |
| 3.5.4 MONPR的特征核集 |
| 3.5.5 MONPR的性能表现 |
| 3.6 本章小结 |
| 第4章 基于个体熵的二元差分演化特征选择算法 |
| 4.1 引言 |
| 4.2 相关研究基础 |
| 4.2.1 最小化优化模型 |
| 4.2.2 DE的改进策略分析 |
| 4.3 基于个体熵的二元差分演化算法 |
| 4.3.1 个体熵概念 |
| 4.3.2 种群初始化策略 |
| 4.3.3 个体评价函数设计 |
| 4.3.4 二元变异算子 |
| 4.3.5 自适应交叉算子 |
| 4.3.6 个体选择策略 |
| 4.3.7 BDIE算法描述 |
| 4.4 BDIE的实验设计及结果分析 |
| 4.4.1 数据集及参数设置 |
| 4.4.2 BDIE的适应度曲线 |
| 4.4.3 BDIE的分类表现 |
| 4.4.4 BDIE的维度约简 |
| 4.4.5 BDIE的运行时间 |
| 4.5 本章小结 |
| 第5章 面向无监督特征选择的差分演化及聚类优化算法 |
| 5.1 引言 |
| 5.2 无监督特征选择的挑战 |
| 5.3 相关研究基础 |
| 5.3.1 DE形式化表述 |
| 5.3.2 聚类分析 |
| 5.4 离散型差分演化的无监督特征选择 |
| 5.4.1 特征子空间的个体表示 |
| 5.4.2 改进的个体度量函数 |
| 5.4.3 差分演化的改进策略 |
| 5.4.4 提出的UFDDE算法 |
| 5.5 连续型差分演化的聚类优化 |
| 5.5.1 采用基于模式的个体编码 |
| 5.5.2 设计聚类的评估函数 |
| 5.6 UFSCDE的实验设计及分析 |
| 5.6.1 数据集及参数设置 |
| 5.6.2 聚类评价指标 |
| 5.6.3 实验对比算法概述 |
| 5.6.4 UFSCDE的性能表现 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）物态优化算法及其在高维优化问题中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 传统优化算法 |
| 1.3 智能优化算法 |
| 1.3.1 智能计算的研究框架 |
| 1.3.2 演化算法 |
| 1.3.3 群智能算法 |
| 1.3.4 基于其它自然现象的启发式算法 |
| 1.3.5 已有智能优化算法分析 |
| 1.4 高维全局优化问题 |
| 1.4.1 问题描述 |
| 1.4.2 目前的挑战 |
| 1.5 主要研究内容及论文结构 |
| 2 基本的物态优化算法 |
| 2.1 引言 |
| 2.2 物态优化模型建立 |
| 2.2.1 三种相态个体运动规律抽象 |
| 2.2.2 物质个体运动规律与算法模型中的对照关系 |
| 2.2.3 模型搜索过程描述 |
| 2.3 物态优化算法 |
| 2.3.1 相态划分 |
| 2.3.2 算子设计 |
| 2.3.3 算法流程 |
| 2.4 实验研究 |
| 2.4.1 大优化问题背景 |
| 2.4.2 数据集说明 |
| 2.4.3 对比算法 |
| 2.4.4 精度对比结果 |
| 2.4.5 收敛性对比 |
| 2.5 分析和讨论 |
| 2.5.1 PBO算法中的优化机理分析 |
| 2.5.2 与传统演化算法的不同之处 |
| 2.5.3 对PBO算法改进的几种途径 |
| 2.6 总结 |
| 3 物态优化算法的理论分析与性能对比 |
| 3.1 PBO搜索行为分析 |
| 3.2 PBO收敛性分析 |
| 3.3 PBO时间复杂度分析 |
| 3.4 实验研究分析 |
| 3.4.1 测试函数 |
| 3.4.2 参数设置 |
| 3.4.3 实验结果比较 |
| 3.4.4 群体大小对算法性能的影响 |
| 3.4.5 算法在不同问题维数下的性能比较 |
| 3.4.6 算子搜索性能分析 |
| 3.5 PBO在实际优化问题中的应用 |
| 3.6 PBO的优势与缺点 |
| 3.7 总结 |
| 4 求解可扩展优化问题的全局引导物态优化算法 |
| 4.1 引言 |
| 4.2 全局引导的物态优化算法 |
| 4.2.1 全局引导的振动算子 |
| 4.2.2 算法主要流程 |
| 4.2.3 GPBO算法搜索机理分析 |
| 4.3 实验研究 |
| 4.3.1 测试函数 |
| 4.3.2 比较算法及其参数设置 |
| 4.3.3 实验结果比较 |
| 4.4 大规模优化实例分析 |
| 4.4.1 问题描述 |
| 4.4.2 仿真结果 |
| 4.5 总结 |
| 5 融合自适应局部搜索的合作性协同混合物态演化算法 |
| 5.1 引言 |
| 5.1.1 大规模优化问题描述以及特性 |
| 5.1.2 大规模优化问题的求解方法 |
| 5.1.3 本章的贡献 |
| 5.2 协同演化框架 |
| 5.3 局部搜索SW算法 |
| 5.4 全局搜索HPBO算法 |
| 5.4.1 头脑风暴优化算法 |
| 5.4.2 差分演化算法 |
| 5.4.3 混合物态优化算法HPBO设计 |
| 5.5 集成全局和局部搜索方法的合作性协同演化算法 |
| 5.5.1 顺序滑动窗分组方法 |
| 5.5.2 全局和局部搜索的平衡策略 |
| 5.5.3 CC-GLS算法框架 |
| 5.5.4 相关理论分析 |
| 5.6 实验研究与分析 |
| 5.6.1 测试函数 |
| 5.6.2 对比算法的参数设置 |
| 5.6.3 实验结果 |
| 5.6.4 分组大小对算法性能的影响 |
| 5.7 总结 |
| 6 基于分解的多目标物态优化算法 |
| 6.1 引言 |
| 6.2 多目标优化问题背景介绍 |
| 6.2.1 多目标优化问题的描述 |
| 6.2.2 多目标演化算法概述 |
| 6.2.3 多目标演化算法的评价指标 |
| 6.3 MOEA/D-PBO算法 |
| 6.3.1 MOEA/D的算法思想 |
| 6.3.2 MOEA/D-PBO算法框架 |
| 6.3.3 理论分析 |
| 6.4 实验研究与分析 |
| 6.4.1 LS-MOPs问题描述 |
| 6.4.2 对比算法和参数设置 |
| 6.4.3 实验结果比较 |
| 6.5 讨论 |
| 6.5.1 MOEA/D-PBO和MOEA/D-DE的比较 |
| 6.5.2 MOEA/D-PBO搜索策略分析 |
| 6.6 总结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 在校学习期间的研究成果 |
| 1.完成的论文成果 |
| 2.参与的科研项目 |
| 3.参加的学术活动 |
（6）基于可抛堆叠受限玻尔兹曼机的图像分类方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究工作 |
| 1.4 论文组织结构 |
| 第二章 深度置信网络及优化算法 |
| 2.1 深度学习 |
| 2.1.1 人工神经网络 |
| 2.1.2 卷积神经网络 |
| 2.2 深度置信网络 |
| 2.3 梯度下降 |
| 2.4 演化策略 |
| 2.5 本章小结 |
| 第三章 基于可抛的深度置信网络图像分类 |
| 3.1 受限玻尔兹曼机 |
| 3.2 可抛堆叠受限玻尔兹曼机及分类网络 |
| 3.3 全局-局部的改进演化-梯度下降算法 |
| 3.4 总体流程 |
| 3.5 本章小结 |
| 第四章 实验方法及实验分析 |
| 4.1 数据集及参数设置方法 |
| 4.1.1 数据集 |
| 4.1.2 参数设置 |
| 4.2 实验结果及分析 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）基于多源数据的目标特征库建立与自然资源资产信息提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向对象分类国内外研究现状 |
| 1.2.2 多源数据分类国内外研究现状 |
| 1.2.3 目标特征库国内外研究现状 |
| 1.2.4 目前存在的问题 |
| 1.3 本文的研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 1.5 论文的组织结构 |
| 第2章 基于目标特征库的自然资源资产信息提取技术 |
| 2.1 面向对象信息提取概述 |
| 2.2 基于目标特征库的自然资源资产信息提取技术 |
| 2.3 影像分割 |
| 2.3.1 影像分割概述 |
| 2.3.2 分形网络演化算法 |
| 2.3.3 光谱差异分割 |
| 2.4 样本匹配 |
| 2.4.1 向量相似度法 |
| 2.4.2 变化矢量分析法 |
| 2.4.3 相关系数法 |
| 2.5 影像分类算法 |
| 2.5.1 最大似然算法 |
| 2.5.2 支持向量机 |
| 2.5.3 决策树 |
| 2.6 精度评价 |
| 2.7 本章小结 |
| 第3章 研究区概况与数据准备 |
| 3.1 研究区域概况 |
| 3.2 数据来源 |
| 3.3 数据预处理 |
| 3.3.1 大气校正 |
| 3.3.2 多源数据配准 |
| 3.3.3 镶嵌、裁剪与云掩膜 |
| 3.3.4 指数提取 |
| 3.4 本章小结 |
| 第4章 最优分割方案选择 |
| 4.1 影像分割质量评价 |
| 4.1.1 影像分割质量评价概述 |
| 4.1.2 改进的欧式距离3影像分割评价方法 |
| 4.2 基于多源数据与分形网络演化算法的最优分割方案选择 |
| 4.3 分形网络演化算法与光谱差异分割结合的最优分割方案选择 |
| 4.4 本章小结 |
| 第5章 自然资源目标特征库构建 |
| 5.1 自然资源分类系统 |
| 5.1.1 国内外土地利用/覆被分类系统 |
| 5.1.2 自然资源分类系统 |
| 5.2 影像对象特征量化表达 |
| 5.2.1 影像对象特征分类 |
| 5.2.2 特征量化表达 |
| 5.3 自然资源目标特征库组织与存储 |
| 5.3.1 概念设计 |
| 5.3.2 逻辑设计 |
| 5.3.3 物理设计 |
| 5.3.4 目标特征库的采样与入库 |
| 5.4 本章小结 |
| 第6章 自然资源资产信息提取实验 |
| 6.1 决策树C5.0与Boosting算法 |
| 6.1.1 决策树C5. |
| 6.1.2 Boosting算法 |
| 6.2 2015 年自然资源资产信息提取与精度评价 |
| 6.3 2017 年自然资源资产信息提取与精度评价 |
| 6.3.1 2017 年多源数据预处理 |
| 6.3.2 基于目标特征库提取不同时相建筑用地信息 |
| 6.3.3 基于目标特征库提取不同时相水体信息 |
| 6.4 本章小结 |
| 总结与展望 |
| 结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 研究生期间参加的学术活动 |
（8）石油储层含油性识别的特征选择和规则提取（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 石油储层含油性识别技术的研究现状 |
| 1.2.2 差分演化算法的研究现状 |
| 1.2.3 特征选择的研究现状 |
| 1.2.4 规则提取方法的研究现状 |
| 1.3 研究目的及研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 拟解决的关键问题 |
| 1.3.4 研究技术路线 |
| 1.3.5 创新点 |
| 1.4 论文结构安排 |
| 第二章 差分演化算法 |
| 2.1 标准差分演化算法 |
| 2.1.1 初始化种群及编码 |
| 2.1.2 变异操作 |
| 2.1.3 交叉操作 |
| 2.1.4 选择操作 |
| 2.1.5 标准差分演化算法的控制参数 |
| 2.1.6 标准差分演化算法的基本流程 |
| 2.2 差分演化算法的研究方向 |
| 2.3 五种改进的差分演化算法 |
| 2.3.1 jDE算法 |
| 2.3.2 JADE算法 |
| 2.3.3 SaDE算法 |
| 2.3.4 EPSDE算法 |
| 2.3.5 CoDE算法 |
| 2.4 本章小结 |
| 第三章 基于模拟退火的增强型参数自适应差分演化算法 |
| 3.1 算法的思想 |
| 3.2 算法的流程 |
| 3.3 实验研究 |
| 3.3.1 问题描述 |
| 3.3.2 ESADE算法和其他改进差分演化算法性能的比较 |
| 3.3.3 ESADE算法和PSO算法性能的比较 |
| 3.3.4 模拟退火算法对ESADE算法性能的影响 |
| 3.3.5 控制参数对ESADE算法性能的影响 |
| 3.3.6 ESADE算法在解决现实问题上的性能分析 |
| 3.4 本章小结 |
| 第四章 基于ESADE的特征选择算法 |
| 4.1 特征选择算法的介绍 |
| 4.1.1 ReliefF算法 |
| 4.1.2 BIF算法 |
| 4.1.3 FCBF算法 |
| 4.2 分类算法的介绍 |
| 4.2.1 K均值算法 |
| 4.2.2 模糊C均值算法 |
| 4.2.3 K近邻算法 |
| 4.2.4 自组织特征映射神经网络算法 |
| 4.3 基于ESADE的特征选择算法的介绍 |
| 4.3.1 基于ESADE的特征选择算法的基本思想 |
| 4.3.2 基于ESADE的特征选择算法的结构分析 |
| 4.4 基于ESADE的特征选择算法的实验研究 |
| 4.4.1 实验数据 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于ESADE的规则提取算法 |
| 5.1 规则提取的简介 |
| 5.1.1 规则提取的基本概念 |
| 5.1.2 分类规则提取的介绍 |
| 5.2 基于ESADE的规则提取算法介绍 |
| 5.2.1 ESADE-Rule算法的个体结构分析 |
| 5.2.2 ESADE-Rule算法的个体结构举例 |
| 5.2.3 ESADE-Rule算法中规则的冲突 |
| 5.2.4 ESADE-Rule算法中的评估准则 |
| 5.3 基于ESADE的规则提取算法的实验研究 |
| 5.3.1 实验数据 |
| 5.3.2 实验设置 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 江汉油田储层含油性识别 |
| 6.1 江汉油田测井数据介绍 |
| 6.2 测井数据的预处理 |
| 6.2.1 测井数据的属性关系分析 |
| 6.2.2 测井数据的标准化 |
| 6.3 基于ESADE的特征选择算法在测井数据上的应用 |
| 6.3.1 实验设置 |
| 6.3.2 结果与分析 |
| 6.4 基于ESADE的规则提取算法在测井数据上的应用 |
| 6.4.1 实验设置 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于高分影像的面向对象分类与单木树冠提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1. 研究背景 |
| 1.1.1. 面向对象分类 |
| 1.1.2. 影像分割技术 |
| 1.1.3. 树冠提取 |
| 1.2. 国内外研究现状 |
| 1.2.1. 国外研究现状 |
| 1.2.2. 国内研究现状 |
| 1.3. 研究内容与方法 |
| 1.3.1. 研究内容与方法 |
| 1.3.2. 技术路线 |
| 2. 研究区与基础数据 |
| 2.1. 研究区概况 |
| 2.2. 基础数据 |
| 2.2.1. 遥感数据与预处理 |
| 2.2.2. 外业调查数据 |
| 3. 基于最优尺度的土地覆被类型提取 |
| 3.1. 最优尺度的确定 |
| 3.1.1. 分割方法概述 |
| 3.1.2. 实验方法与原理 |
| 3.1.3. 实验方案与结果 |
| 3.2. 地物特征分析与规则制定 |
| 3.2.1. 样本采集 |
| 3.2.2. 特征分析 |
| 3.2.3. 建立分类规则体系 |
| 3.3. 分类结果与评价 |
| 3.3.1. 最近邻分类结果 |
| 3.3.2. 规则分类结果 |
| 3.3.3. 分类结果的比较和分析 |
| 3.4. 本章小结 |
| 4. 单木树冠提取研究 |
| 4.1. 树冠估计与勾绘算法概述 |
| 4.2. 基于最优尺度的面向对象树冠提取 |
| 4.2.1. 算法描述 |
| 4.2.2. 最优尺度法小班提取结果 |
| 4.3. 种子点区域增长法树冠提取 |
| 4.3.1. 算法描述 |
| 4.3.2. 算法中特征定量化表达 |
| 4.3.3. 种子点区域增长法小班提取结果 |
| 4.4. 基于标记分水岭分割算法的树冠识别 |
| 4.4.1. 算法原理与步骤 |
| 4.4.2. 分水岭分割算法小班提取结果 |
| 4.5. 方法评析与精度验证 |
| 4.5.1. 方法评析 |
| 4.5.2. 最优尺度法精度验证 |
| 4.6. 区域提取成果 |
| 4.7. 本章小结 |
| 5. 结论与讨论 |
| 5.1. 结论 |
| 5.2. 讨论 |
| 5.3. 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
四、用于分类规则提取的演化算法分析与设计（论文参考文献）
- [1]网络多媒体业务的新型投票组合分类方法[D]. 操仁垒. 南京邮电大学, 2020(02)
- [2]基于Petri网的移动机器人脑机协同控制方法研究[D]. 尹亮. 华侨大学, 2020(01)
- [3]地质大数据分析的若干工具与应用[J]. 周永章,陈川,张旗,王功文,肖凡,沈文杰,卞静,王亚,杨威,焦守涛,刘艳鹏,韩枫. 大地构造与成矿学, 2020(02)
- [4]基于演化计算的特征选择方法研究[D]. 李涛. 哈尔滨工程大学, 2019(04)
- [5]物态优化算法及其在高维优化问题中的应用研究[D]. 曹子建. 西安理工大学, 2019
- [6]基于可抛堆叠受限玻尔兹曼机的图像分类方法[D]. 肖亮. 湖北工业大学, 2019(06)
- [7]基于多源数据的目标特征库建立与自然资源资产信息提取方法研究[D]. 唐建华. 西南交通大学, 2018(09)
- [8]石油储层含油性识别的特征选择和规则提取[D]. 李亚楠. 中国地质大学, 2018(07)
- [9]基于高分影像的面向对象分类与单木树冠提取研究[D]. 李晓靖. 北京林业大学, 2017(04)
- [10]利用多群交叉变异人工鱼群算法生成分类规则[J]. 戴上平,姬盈利,王华. 计算机工程与应用, 2013(13)