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

1、在新型軍民應(yīng)用中，對自動目標識別分類方法提出越來越苛刻的要求。經(jīng)典決策樹分類方法結(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，提高識別分類精度與速度。
　　課題針對傳統(tǒng)決策樹模型在成像目標識別應(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)雜度決策樹及增量學(xué)習(xí)模型的擴展。開展的主要工作如下：
　　綜合學(xué)習(xí)分析了粗糙集、決策樹、增量學(xué)習(xí)等相關(guān)基礎(chǔ)理論。詳細闡述了粗糙集及其擴展

2、的變精度粗糙集劃分論域方法、屬性測度描述機制；給出決策樹算法基本流程，對比分析了幾種典型增量式?jīng)Q策樹的特點和性能；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)計上的特色和應(yīng)用潛力。
　　針對現(xiàn)有決策樹模型分類正確率不夠高、易受噪聲干擾等弱點，課題側(cè)重決策樹算法設(shè)計的核心環(huán)節(jié)——分裂屬性選擇標準，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，提高決策樹分類正確率和穩(wěn)健性；根據(jù)訓(xùn)練樣本到達節(jié)點數(shù)目情

3、況，利用閾值控制決策樹生長規(guī)模，降低樹結(jié)構(gòu)復(fù)雜度；為防止不均衡訓(xùn)練樣本帶來的單一決策樹分類失誤，隨機森林算法有良性分類趨勢。論文提出了一種隨機森林的改進算法，在森林內(nèi)部結(jié)合使用變精度粗糙集決策樹與信息論決策樹，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例的增量學(xué)習(xí)方法，在保持原決策樹模型的前提下