基于決策樹(shù)增量學(xué)習(xí)的成像目標(biāo)分類技術(shù)研究.pdf

1、在新型軍民應(yīng)用中，對(duì)自動(dòng)目標(biāo)識(shí)別分類方法提出越來(lái)越苛刻的要求。經(jīng)典決策樹(shù)分類方法結(jié)合近期興起的粗糙集理論、增量學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)，有望提升海量信息分析效率與復(fù)雜應(yīng)用條件適應(yīng)力，提高識(shí)別分類精度與速度。
　　課題針對(duì)傳統(tǒng)決策樹(shù)模型在成像目標(biāo)識(shí)別應(yīng)用中存在的不足，側(cè)重于海量信息處理任務(wù)中構(gòu)建低復(fù)雜度決策樹(shù)及增量學(xué)習(xí)模型的擴(kuò)展。開(kāi)展的主要工作如下：
　　綜合學(xué)習(xí)分析了粗糙集、決策樹(shù)、增量學(xué)習(xí)等相關(guān)基礎(chǔ)理論。詳細(xì)闡述了粗糙集及其擴(kuò)展

2、的變精度粗糙集劃分論域方法、屬性測(cè)度描述機(jī)制；給出決策樹(shù)算法基本流程，對(duì)比分析了幾種典型增量式?jīng)Q策樹(shù)的特點(diǎn)和性能；介紹了增量學(xué)習(xí)方法在海量數(shù)據(jù)分析和智能分類算法設(shè)計(jì)上的特色和應(yīng)用潛力。
　　針對(duì)現(xiàn)有決策樹(shù)模型分類正確率不夠高、易受噪聲干擾等弱點(diǎn)，課題側(cè)重決策樹(shù)算法設(shè)計(jì)的核心環(huán)節(jié)——分裂屬性選擇標(biāo)準(zhǔn)，提出了一種基于變精度粗糙集的屬性度量策略，可適應(yīng)數(shù)據(jù)不完備或噪聲干擾下的情況，提高決策樹(shù)分類正確率和穩(wěn)健性；根據(jù)訓(xùn)練樣本到達(dá)節(jié)點(diǎn)數(shù)目情

3、況，利用閾值控制決策樹(shù)生長(zhǎng)規(guī)模，降低樹(shù)結(jié)構(gòu)復(fù)雜度；為防止不均衡訓(xùn)練樣本帶來(lái)的單一決策樹(shù)分類失誤，隨機(jī)森林算法有良性分類趨勢(shì)。論文提出了一種隨機(jī)森林的改進(jìn)算法，在森林內(nèi)部結(jié)合使用變精度粗糙集決策樹(shù)與信息論決策樹(shù)，可提高分類器精度和適應(yīng)性。
　　大數(shù)據(jù)背景下的成像識(shí)別任務(wù)中，存在持續(xù)分批次獲取的海量樣本信息。樣本類別及樣本自身具有動(dòng)態(tài)變化性，亟需分類器具備自適應(yīng)學(xué)習(xí)能力。論文提出了一種部分實(shí)例的增量學(xué)習(xí)方法，在保持原決策樹(shù)模型的前提下