一、基于信息熵的决策属性分类挖掘算法及应用（论文文献综述）
卜晓阳,蔡岩,王宗伟,赵郭燚[1]（2022）在《基于C5.0决策树算法的电力营销数据挖掘》文中研究表明为了对电力企业中不同部门的运行数据进行有效的挖掘,提出利用C5.0决策树算法对数据进行深层次分析,为管理人员提供有价值的决策支持。首先,对数据挖掘中先进的C5.0决策树算法原理进行分析,并通过引入信息熵对原有的属性选择方式进行改进,提高了信息增益比率计算的速度。然后根据设计的售电量关系模型进行对电厂管理信息系统中的数据进行挖掘。在UCI机器学习数据集和电力营销数据集上的实验结果表明,提出的改进C5.0决策树算法具有良好的分类性能,能够对售电市场进行快速、准确的用户分类,准确率达到86.5%。
曾维佳,秦放,李琳,徐鹏[2]（2021）在《基于信息熵的粗糙集属性应急数据去重挖掘算法研究》文中研究指明粗糙集属性应急数据存在冗余特征,降低挖掘效率,提出基于信息熵的粗糙集属性应急数据去重挖掘算法。将粗糙集理论和信息熵相结合,离散化处理应急数据,离散化完成后,约简对于决策表的条件信息熵大小不产生任何影响的属性,设定决策属性集合和条件属性集合,选取将同约简属性集合B的属性组合数目最小的熵值实现约简,去除冗余特征,完成应急数据去重挖掘。以大型船舶应急数据为研究对象展开数据去重挖掘,结果表明:可有效去重挖掘到船舶旋回性相关应急数据,利用数据增比特征能够分析到各因素对船舶旋回性的影响,并且所研究算法的挖掘效率较高,在数据量为1400条时,耗时仅为0.33 s。
陈宝国,陈磊,邓明[3]（2021）在《基于信息源选择的多源信息系统邻域互信息熵属性约简》文中研究说明属性约简是粗糙集理论的重要研究内容。针对多源信息系统中信息源之间存在相互依赖的问题,提出一种基于信息源选择的多源信息系统邻域互信息熵属性约简算法。首先提出多源信息系统下信息源的差异度度量,通过该度量可以评估信息源在整个多源信息系统的独立程度;接着利用差异度对多源信息系统的信息源进行选择,使得选择出的信息源具有较高的独立性;最后基于邻域互信息熵模型,对选择出的新多源信息系统进行属性约简,提出相应的属性约简算法。实验分析表明,所提出的多源信息系统属性约简算法具有较高的有效性和优越性。
王美芝,赖建英,刘财辉[4]（2021）在《改进的ID3算法及其在大学公共体育教学中的应用》文中指出决策树算法是数据挖掘中的一种经典算法,常用的决策树算法有ID3算法、C4.5算法等.分析了ID3算法在应用中的优缺点,并对其进行了简单改进,即将复杂的计算公式转化为只含有加、减、乘、除的简单式子.在此基础上将其应用于大学公共体育教学质量评价中,找出了影响教师评价结果的重要因素,为科学评价教学提供了思路.
杨薇薇,曾凌静[5]（2021）在《区块链框架下基于优化决策树模型的大数据分类算法研究》文中指出现有大数据分类算法存在并行计算能力差、分类准确率低等不足,为此在区块链框架体系下提出一种基于优化决策树模型的大数据分类算法研究。利用区块链在数据加密方面的优势,构建分布式决策树模型,以信息熵和信息增益率为基础对目标数据集做预测分类,并对经典决策树算法进行优化,预留出用于缓冲的空节点,避免分类终止情况的发生。在每一次节点分裂后,用全部样本的平均梯度修改下一个叶子节点的权重,提升整个算法的迭代寻优能力和分类性能。仿真结果显示,提出的分类算法具有更强的数据吞吐能力和并行计算能力,针对10种不同大数据集的平均分类准确率达到了97.75%。
唐鹏飞[6]（2021）在《基于近似条件熵的集值决策表属性约简算法》文中指出集值决策表拓展了经典决策表,但其现有属性约简算法中属性重要度度量方式单一。针对集值决策表,采用近似条件熵提出属性约简及其启发式约简算法。将近似精度与条件信息熵进行信息融合,定义近似条件熵,证明粒化单调性等性质;提出基于近似条件熵的属性约简,设计启发式约简算法;采用集值决策表实例与数据实验进行有效验证。实验结果表明:与现有算法相比,提出算法不仅能够得到更优的约简结果,而且具有更高的分类精度。
邱钟成[7]（2020）在《基于改进决策树算法的快递客服绩效考核研究与应用》文中指出我国的快递行业已经历了近三十多年的发展,近几年得益于网络电子商务的高速发展,国内的快递物流公司更是以每年30%的增速发展壮大。随着快递物流服务需求的增大,随之而来的反馈问题将日益增多,目前的技术水平无法完全用计算机处理所有的反馈问题,必须有快递客服与计算机共同处理并解决这些问题,快递客服对快递行业提高客户满意度,保留客户,降低流通成本起到了重要作用,是每家快递公司都不可缺少的部分,而快递客服的工作绩效不同于一般职能部门的工作绩效,对其考核成为了快递公司的一大难题。因此,建立一个科学、合理、公正的快递客服评价体系显得尤为重要。本文以快递客服的绩效考核为研究内容,将数据仓库技术和数据挖掘技术应用于其中。在数据仓库的建立过程中,首先分析了海量数据从原始数据源到数据仓库的流程,接着详细介绍了绩效考核系统里的数据预处理过程,方法和处理规则,最后设计了数据仓库结构;在数据挖掘算法里,决策树算法具有很好的分类准确性和快速分类能力,根据快递客服的数据特点,采用决策树算法进行快递客服历史数据挖掘,现有决策树算法在计算复杂度和分类属性选取上有所不足,本文提出了基于协调测度信息熵的决策树算法对快递客服数据构建决策树模型,仿真结果验证了算法的优越性,最终模型展示显示了模型分裂属性的复杂化和差异化;针对快递客服绩效考核数据随时间增长而不断变化的问题,通过将贝叶斯算法与决策树算法结合解决问题,提出基于贝叶斯节点的增量决策树算法,通过实验结果对比分析,说明了基于贝叶斯节点的增量决策树算法对于快递客服历史数据处理建模的合理性;在数据处理和算法设计优化基础上,本文设计完整的快递客服绩效考核系统,具有数据管理、算法导入、数据建模的主要功能,并通过了基本的功能和性能测试,验证了系统满足设计需求。论文旨在短时间内传递有价值的信息到管理层人员,协助快递行业管理层人员辅助决策,使管理层人员能够根据分析结果制定针对性政策去管理协调客服工作。论文成果有利于提出适合客服工作的有效管理方法以及改进客服绩效的意见等,具有良好的理论价值和现实意义。
李蒙[8]（2020）在《基于深度小世界神经网络的风机变工况变桨故障诊断研究》文中认为近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA（Supervisory Control And Data Acquisition）系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:（1）变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。（2）变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵（ANRMIE）,实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。（3）深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型（DSWNN）,实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机（RBM）,有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。（4）基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法（SL-DSWNN）,该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。（5）变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法（SE-DSWNN）,该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。
朵天林[9]（2020）在《居民地综合决策模型和方法研究》文中认为制图综合是地图制图绕不开的问题,制图学产生之时就有了综合问题,制图综合是制图学领域重要的、核心的研究主题。从人对地理环境认知结果到地图产生,是一个对客观事物和现象不断抽象和简化的过程,抽象和简化的过程中必然涉及化简和选优。实现制图综合的自动化、智能化是该领域不懈追求的目标,要使计算机“理解”高度依赖于抽象思维、视觉思维和灵感思维的制图综合规则绝非易事。这也是制图综合问题被称之为“世界性难题”、“最具挑战性问题”的关键原因,国内外学界长期以来对该问题给予了高度的关注。制图综合的过程,实质是决策的过程,制图综合中最常见、最关键的信息处理属于决策。本文把制图综合的问题放在“决策”的维度进行研究。从居民地选取原则、形状特征、化简原则中挖掘知识、构建决策模型、设计方法、提取特征、量化特征、开展实验,解决了居民地结构选取、街道网模式识别、居住区形状保持的部分难点问题。本文的主要贡献和创新工作如下:1.论述了决策分析在居民地综合中的关键作用。重点研究了居民地综合基本理论和决策分析基本理论。论述居民地综合涉及的关键问题属于决策问题,并提出决策分析在居民地综合中的关键作用。研究了决策理论及多属性决策理论发展概况,居民地综合决策的过程,主要决策方法。研究了基于信息熵的多属性决策方法,信息熵的原理和熵权法计算权重步骤。通过分析熵权法计算过程,得出了熵权法的重要性质。2.研究了基于知识的决策模型和方法。逻辑推理的关键在于丰富的领域知识,居民地综合中涉及大量的形象思维和灵感思维,这些问题用逻辑推理或算法解决难度较大,多准则（多属性）决策模型利用知识对空间中的每一个自然状态进行综合评价,“择优”选取,符合制图综合中处理模糊性问题的原则,使用多准则（多属性）决策模型解决问题具有明显的优势。本文研究为大量与形象思维和灵感思维相关的知识的运用提供了平台。充分发挥人的形象思维和灵感思维,挖掘居民地综合知识,设计综合决策模型,利用计算机高效的地图信息处理、地图图形处理能力,是人机融合模式的具体研究实践。3.研究了居民地结构选取中的决策问题及决策模型和方法。居民地选取研究的重点和难点问题在于结构选取,结构选取问题的实质是决策问题。决策过程中,要综合考虑居民地的层次关系、空间关系、拓扑关系,从而确定选取哪些居民地。本文充分考虑了居民地选取的一般原则和制图规范,运用基于信息熵的决策方法,结合系统聚类方法和Voronoi图空间分析方法,分别应用于点状居民地和面状居民地结构选取的决策问题,能有效克服现有方法的人工赋权和没有充分考虑制图规范现有明确规定的局限性,提高了居民地结构选取的科学性。4.研究了街道网结构模式识别中的决策问题及决策模型和方法。居民地综合的目标是既要保证地图的清晰度要求,又要客观反映原图居民地结构特征。街道网是居民地的骨架,决定了居民地的结构。因此,必须准确判断原图街道网的特征。街道网可以归类为格网状、放射状和不规则三种形状。其中,格网状的街道网是分布最为广泛,特征最为明显的类型之一。本文基于大量地图实测数据,统计分析了格网状街道网的特征,针对不同尺度的街道网,分别设计了决策模型。第一种是基于统计学的方法,即基于系统聚类和变异系数的街道网模式识别决策模型。第二种是基于机器学习的方法,即基于区域矩形度、直线率和矩形率的决策模型,运用了神经网络进行识别决策。就两种模型分别进行了实验验证,实验结果较理想。5.研究了居住区形状化简中的决策问题及决策模型和方法。本文围绕居住区形状化简中特征保持的难点问题,设计决策模型和方法,并进行实验验证。主要有三个方面:一是格网状居住区街道选取决策模型和方法。主要思路是提出长轴、短轴参考线,定量描述平行街道,尽可能保留平行街道线。二是有街道不规则状居住区街道选取决策模型和方法。该类居住区形状主要由较长的街道线和较大街道网眼决定。提出了“最大网眼周长属性”,即将其作为街道选取决策的重要指标,从而达到正确反映其贡献度的目的。三是无街道不规则状居住区建筑物选取决策模型和方法。该类居住区形状更加复杂,实际上也存在隐性的骨架线,即居住区的轮廓线,以轮廓为参照线,把离轮廓线的远近距离作为聚类参数,对建筑物进行聚类,从而区分了不同的层次,在各个层次内再按各建筑物质心欧氏距离进行二次聚类,各类内分别进行选取,达到了保留骨架和保持密度对比的目的,最终实现保持居住区形状的目标。
陈军亚[10]（2020）在《中医辅助诊疗关键技术研究》文中认为中医药是中华民族的瑰宝,是我国独特的卫生资源,对我国社会经济发展具有重要作用。随着计算机和互联网技术的发展,“互联网+医疗”为中医药发展提供了动力。结合“互联网+”技术,根据中医看病和开药方过程构建中医辅助诊疗系统,该系统能够帮助中医减少对各种药材、处方的记忆和查找,提高中医的医疗水平和效率,且能够有效解决中医药资源不足问题。中医诊疗包括两个阶段,分别是诊断和治疗,两者相互紧密关联。首先中医通过四诊合参全面了解患者病情,然后根据患者的症状体征,依据自己的临床经验知识对患者作出诊断,最后在诊断结果的基础上为患者制定合理的治疗方案。因此,辅助诊疗是中医辅助诊疗系统中的关键技术难题。针对中医辅助诊疗系统的关键技术难题,本文提出基于粗糙集的集成树的医学辅助诊断方法以及基于本体知识库的用药和处方推荐方法,并初步构建了中医辅助诊疗平台。主要研究内容有:1.基于粗糙集的集成树医学辅助诊断方法。为了降低医疗数据的冗余度,快速提取有用的医疗价值,提高医学诊断精度,首先采用基于粗糙集信息熵的属性约简算法对医疗数据进行属性约简,再采用基于C4.5决策树的Bagging集成树算法对经过属性约简产生的病例集进行训练学习。最后试验结果表明该方法不仅能够降低医疗数据的冗余度,同时能够提高医疗诊断的精度。2.基于本体知识库的用药和处方推荐方法。采用七步法构建中医领域本体知识库,以提高知识的共享性和重用性。并据此构建基于Apriori算法的用药推荐方法和基于协同过滤的处方推荐方法。最后试验结果表明基于Apriori算法的用药推荐方法能够有效地向中医推荐中药材,而基于本体的协同过滤处方推荐方法具有较高的准确性。3.中医辅助诊疗平台构建。运用“中医辨证论治系统”结合计算机应用和信息网络技术,使用Java编程语言初步构建了中医辅助诊疗平台,实现了辅助中医疾病诊断、推荐经典方剂和名老中医验方以及中医知识检索和学习功能。本文采用基于粗糙集信息熵属性约简的集成树方法来辅助中医进行疾病诊断分类。采用基于本体知识库的用药和处方推荐方法为中医进行用药和处方推荐。初步构建的中医辅助诊疗平台实现了辅助中医对患者的诊疗。
二、基于信息熵的决策属性分类挖掘算法及应用（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、基于信息熵的决策属性分类挖掘算法及应用（论文提纲范文）
（1）基于C5.0决策树算法的电力营销数据挖掘（论文提纲范文）
| 0 引言 |
| 1 C5.0 决策树算法原理 |
| 1.1 分裂属性的确定 |
| 1.2 分裂属性的确定 |
| 2 改进的C5.0 决策树算法 |
| 3 改进C5.0决策树在电力营销中的应用 |
| 3.1 数据模型设计 |
| 3.2 数据挖掘流程 |
| 4 实验结果与分析 |
| 4.1 实验环境 |
| 4.2 改进算法性能验证 |
| 4.3 电力营销应用结果 |
| 5 总结 |
（2）基于信息熵的粗糙集属性应急数据去重挖掘算法研究（论文提纲范文）
| 1 基于信息熵的粗糙集属性应急数据去重挖掘算法 |
| 1.1 信息熵基本概念 |
| 1.2 基于信息熵的粗糙集属性离散化 |
| 1.3 基于信息熵的粗糙集属性约简 |
| 2 算法验证 |
| 3 结 论 |
（4）改进的ID3算法及其在大学公共体育教学中的应用（论文提纲范文）
| 1 引言 |
| 2 ID3算法 |
| 3 ID3算法的改进 |
| 4 算法应用 |
| 4.1 数据收集 |
| 4.2 决策树结果 |
| 5 总结 |
（5）区块链框架下基于优化决策树模型的大数据分类算法研究（论文提纲范文）
| 1 区块链框架下的大数据加密处理 |
| 2 决策树模型的构建及优化 |
| 3 基于优化决策树模型大数据分类的实现 |
| 4 实验与仿真 |
| 5 结论 |
（6）基于近似条件熵的集值决策表属性约简算法（论文提纲范文）
| 0 引 言 |
| 1 集值决策表的相关知识 |
| 2 基于近似条件熵的启发式属性约简算法 |
| 3 实例分析 |
| 4 UCI数据实验 |
| 5 结束语 |
（7）基于改进决策树算法的快递客服绩效考核研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题来源及研究内容 |
| 1.3 本文的章节安排 |
| 第二章 相关技术研究 |
| 2.1 快递客服绩效考核概述 |
| 2.2 快递客服绩效考核常用方法 |
| 2.3 基于决策树算法的绩效考核研究现状 |
| 2.3.1 国内研究现状 |
| 2.3.2 国外研究现状 |
| 2.4 本章小结 |
| 第三章 快递客服绩效考核系统设计 |
| 3.1 系统设计目标 |
| 3.2 系统介绍 |
| 3.2.1 系统总框架设计 |
| 3.2.2 系统功能模块设计 |
| 3.3 数据预处理区设计 |
| 3.3.1 数据源分析 |
| 3.3.2 数据抽取 |
| 3.3.3 数据清洗与变换 |
| 3.3.4 数据装载 |
| 3.4 数据仓库设计 |
| 3.4.1 数据仓库体系结构 |
| 3.4.2 数据仓库内容 |
| 3.4.3 数据仓库模型 |
| 3.4.4 数据库表结构 |
| 3.5 本章小结 |
| 第四章 基于协调测度信息熵决策树的快递客服绩效考核方法 |
| 4.1 基于决策树算法的绩效考核方法分析 |
| 4.2 基于协调测度信息熵决策树的快递客服绩效考核方法 |
| 4.2.1 基于决策协调度的决策树算法 |
| 4.2.2 模糊集理论 |
| 4.2.3 基于协调测度信息熵的决策树算法 |
| 4.2.4 基于协调测度信息熵决策树的快递客服绩效考核方法 |
| 4.2.5 算法分析 |
| 4.3 本章小结 |
| 第五章 基于贝叶斯节点的增量决策树快递客服绩效考核方法 |
| 5.1 贝叶斯决策树算法应用分析 |
| 5.2 基于贝叶斯节点的增量决策树算法 |
| 5.2.1 贝叶斯决策树算法 |
| 5.2.2 基于贝叶斯节点的增量决策树算法 |
| 5.2.3 算法分析 |
| 5.3 本章小结 |
| 第六章 快递客服绩效考核系统实现与测试 |
| 6.1 系统实现与测试环境 |
| 6.2 快递客服绩效考核系统实现 |
| 6.2.1 系统架构 |
| 6.2.2 数据仓库部署 |
| 6.2.3 算法实现 |
| 6.3 快递客服绩效考核系统功能测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
（8）基于深度小世界神经网络的风机变工况变桨故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动的风机故障诊断方法研究现状 |
| 1.2.2 风机特征提取方法研究现状 |
| 1.2.3 风机故障分类方法研究现状 |
| 1.3 小世界神经网络及其应用研究现状 |
| 1.3.1 小世界网络简介 |
| 1.3.2 小世界优化算法研究现状 |
| 1.3.3 小世界神经网络研究现状 |
| 1.4 现状分析与总结 |
| 1.5 本文的主要内容及结构 |
| 2 变桨故障在变工况状态下的特性分析 |
| 2.1 引言 |
| 2.2 风电机组基础理论 |
| 2.2.1 风电机组结构 |
| 2.2.2 风机SCADA系统结构 |
| 2.3 变桨系统 |
| 2.3.1 变桨系统结构 |
| 2.3.2 变桨系统的变工况运行特性 |
| 2.3.3 变桨故障及其机理分析 |
| 2.4 变桨故障在多变工况中的统计分析 |
| 2.4.1 变桨故障统计 |
| 2.4.2 单日变桨故障示例 |
| 2.4.3 变桨故障在变运行工况中的分布规律 |
| 2.4.4 风速跳跃值概念 |
| 2.4.5 变桨故障与风速跳跃值的关联分析 |
| 2.4.6 变桨故障规律成因讨论 |
| 2.5 本章小结 |
| 3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择 |
| 3.1 引言 |
| 3.2 变桨系统相关参数分析 |
| 3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法 |
| 3.3.1 邻域粗糙集模型 |
| 3.3.2 自适应邻域粗糙模型构建 |
| 3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法 |
| 3.4 实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 ANRMIE特征选择结果分析 |
| 3.4.3 不同分类器的特征选择结果对比 |
| 3.5 本章小结 |
| 4 深度小世界神经网络理论研究 |
| 4.1 引言 |
| 4.2 深度小世界神经网络(DSWNN网络) |
| 4.2.1 DSWNN网络结构 |
| 4.2.2 DSWNN网络预训练 |
| 4.2.3 DSWNN网络的小世界转换 |
| 4.2.4 DSWNN网络参数微调 |
| 4.3 DSWNN模型描述 |
| 4.3.1 加边网络模型构建 |
| 4.3.2 拓扑结构分析 |
| 4.3.3 网络描述 |
| 4.3.4 网络公式推导 |
| 4.4 DSWNN加边权值初始化策略 |
| 4.5 DSWNN网络的小世界特性分析 |
| 4.6 本章小结 |
| 5 基于深度小世界神经网络的变桨故障诊断方法研究 |
| 5.1 引言 |
| 5.2 考虑多变量时空关联的SL-DSWNN学习方法 |
| 5.2.1 多变量动态滑窗处理 |
| 5.2.2 小尺度滤波 |
| 5.2.3 DSWNN模型训练 |
| 5.3 基于SL-DSWNN的变桨故障诊断方法 |
| 5.4 风机FAST仿真实验 |
| 5.4.1 FAST系统模型构建 |
| 5.4.2 性能指标 |
| 5.4.3 参数讨论 |
| 5.4.4 故障诊断结果分析 |
| 5.5 实测数据验证 |
| 5.5.1 实验数据样本集构建 |
| 5.5.2 变桨故障分类性能对比 |
| 5.5.3 特征学习能力对比 |
| 5.6 本章小结 |
| 6 基于动态选择集成的变工况变桨故障诊断 |
| 6.1 引言 |
| 6.2 选择集成基础理论 |
| 6.3 变工况下的多模型动态选择集成故障诊断策略 |
| 6.3.1 考虑风速跳跃值的多风速区间训练集构建 |
| 6.3.2 多拓扑结构的DSWNN子分类器构建与训练 |
| 6.3.3 基于全局相关系数的动态子分类器选择 |
| 6.3.4 基于加权概率融合的在线故障分类 |
| 6.4 变工况下变桨故障分类实验分析 |
| 6.4.1 实验数据样本集构建 |
| 6.4.2 变工况下多个DSWNN子分类器训练 |
| 6.4.3 动态选择结果分析 |
| 6.4.4 变工况故障分类实验对比分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 A |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）居民地综合决策模型和方法研究（论文提纲范文）
| 学位论文创新点与发表学术论文对应情况表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 居民地综合研究范式呈现数据密集型计算的特点 |
| 1.2.2 居民地综合方法研究呈现多学科融合的趋势 |
| 1.2.3 居民地综合的地图背景向多元化发展 |
| 1.2.4 多属性决策方法研究现状 |
| 1.2.5 居民地综合研究现状分析 |
| 1.3 本文研究思路、内容和技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 研究技术路线 |
| 1.4 论文的组织结构 |
| 1.5 本章小结 |
| 第二章 居民地综合决策的基础理论 |
| 2.1 居民地综合问题与决策分析的关系 |
| 2.1.1 居民地综合涉及的关键问题 |
| 2.1.2 决策分析在居民地综合中的重要作用 |
| 2.2 决策理论与方法 |
| 2.2.1 决策科学的产生与发展 |
| 2.2.2 居民地综合决策类型界定 |
| 2.2.3 居民地综合决策过程 |
| 2.2.4 主要决策方法 |
| 2.3 多属性决策理论与方法 |
| 2.3.1 多属性决策基本概念、研究重点和要素 |
| 2.3.2 多属性决策指标体系的确定 |
| 2.3.3 指标权重确定方法研究 |
| 2.3.4 指标值规范化方法 |
| 2.3.5 指标正向化方法 |
| 2.3.6 多属性决策综合排序方法 |
| 2.4 基于信息熵的多属性决策方法 |
| 2.4.1 信息熵的原理 |
| 2.4.2 熵权法计算权重步骤 |
| 2.4.3 信息熵的性质 |
| 2.5 本章小结 |
| 第三章 居民地结构选取的决策模型和方法 |
| 3.1 居民地选取难点分析 |
| 3.1.1 居民地的选取及定额选取 |
| 3.1.2 居民地的结构选取 |
| 3.2 居民地结构选取的现有方法及模型评价 |
| 3.2.1 模糊综合评判方法 |
| 3.2.2 基于人工神经元网络的居民地选取方法 |
| 3.2.3 基于主成分分析和层次分析的居民地选取方法 |
| 3.3 点状居民地结构选取的决策问题及模型和方法 |
| 3.3.1 点状居民地结构选取决策模型设计 |
| 3.3.2 点状居民地结构选取决策模型实验验证 |
| 3.3.3 实验分析 |
| 3.4 面状居民地结构选取的决策问题及模型和方法 |
| 3.4.1 面状居民地结构选取决策模型设计 |
| 3.4.2 面状居民地结构选取决策模型实验验证 |
| 3.4.3 实验分析 |
| 3.5 本章小结 |
| 第四章 街道网结构模式识别的决策模型和方法 |
| 4.1 街道网结构模式研究 |
| 4.1.1 居民地组成及街道网结构类型 |
| 4.1.2 格网模式街道网结构特征分析 |
| 4.1.3 格网模式识别现有研究方法及其评价 |
| 4.2 街道网格网模式关键指标的提取 |
| 4.2.1 街道网骨架的构建 |
| 4.2.2 平行街道的定量分析 |
| 4.2.3 街道网格网模式的度量指标 |
| 4.3 基于变异系数和聚类分析的街道网结构模式识别决策模型和方法 |
| 4.3.1 基于变异系数和聚类分析的街道网结构模式识别决策模型设计 |
| 4.3.2 基于变异系数和聚类分析的街道网结构模式识别决策模型实验验证 |
| 4.3.3 实验分析 |
| 4.4 基于区域矩形度、直线率和矩形率的街道网结构模式识别决策模型和方法 |
| 4.4.1 基于区域矩形度、直线率和矩形率的街道网结构模式识别决策模型设计 |
| 4.4.2 运用前馈神经网络实验验证决策模型 |
| 4.4.3 运用聚类分析实验验证决策模型 |
| 4.4.4 实验分析 |
| 4.5 本章小结 |
| 第五章 居住区形状化简的决策模型和方法 |
| 5.1 居住区形状化简涉及的关键问题及现有模型和方法 |
| 5.1.1 居住区形状化简的目的 |
| 5.1.2 居住区的主要类型 |
| 5.1.3 居民地形状化简的现有模型和方法 |
| 5.2 格网状居住区街道选取的决策模型和方法 |
| 5.2.1 格网状居住区特征分析 |
| 5.2.2 格网状居住区街道选取决策模型设计 |
| 5.2.3 格网状居住区街道选取决策模型实验验证 |
| 5.2.4 实验分析 |
| 5.3 有街道不规则状居住区街道选取决策模型和方法 |
| 5.3.1 有街道不规则状居住区特征分析 |
| 5.3.2 有街道不规则状居住区街道选取决策模型设计 |
| 5.3.3 有街道不规则状居住区街道选取决策模型实验验证 |
| 5.3.4 实验分析 |
| 5.4 无街道不规则状居住区建筑物选取决策模型和方法 |
| 5.4.1 无街道不规则状居住区形状化简的规定和原则 |
| 5.4.2 无街道不规则状居住区建筑物选取决策模型设计 |
| 5.4.3 无街道不规则状居住区建筑物选取决策模型实验验证 |
| 5.4.4 实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（10）中医辅助诊疗关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 论文组织结构 |
| 第2章 相关技术 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集概述 |
| 2.1.2 基本概念 |
| 2.1.3 属性约简 |
| 2.2 决策树简介 |
| 2.2.1 决策树的主要过程 |
| 2.2.2 决策树的剪枝方法 |
| 2.3 本体知识库 |
| 2.3.1 知识库概述 |
| 2.3.2 本体定义 |
| 2.3.3 本体的构成要素及分类 |
| 2.4 数据挖掘 |
| 2.4.1 数据挖掘技术 |
| 2.4.2 数据挖掘过程 |
| 2.4.3 推荐系统及算法 |
| 2.5 本章小结 |
| 第3章 基于粗糙集的集成树医学辅助诊断方法 |
| 3.1 引言 |
| 3.2 医疗数据属性约简方法 |
| 3.2.1 基于粗糙集信息熵的医疗数据属性约简算法 |
| 3.2.2 基于遗传算法的医疗数据属性约简算法 |
| 3.2.3 基于Johnson算法的医疗数据属性约简算法 |
| 3.3 基于集成树的医学辅助诊断方法 |
| 3.3.1 基于C4.5决策树的医学辅助诊断模型 |
| 3.3.2 决策树的集成学习算法 |
| 3.3.3 基于Bagging的 C4.5 集成树诊断模型 |
| 3.4 基于粗糙集的集成树医学辅助诊断方法 |
| 3.5 实验分析 |
| 3.5.1 仿真数据 |
| 3.5.2 基于UCI标准数据集的试验分析 |
| 3.5.3 本文方法与其他方法的试验比较 |
| 3.6 本章小结 |
| 第4章 基于本体知识库的用药和处方推荐方法 |
| 4.1 引言 |
| 4.2 中医本体知识库的构建 |
| 4.2.1 中医本体库构建流程 |
| 4.2.2 主要参考标准 |
| 4.2.3 中医本体库构建方法 |
| 4.3 基于中医本体的用药和处方推荐方法 |
| 4.3.1 基于中医本体的用药推荐方法 |
| 4.3.2 基于协同过滤算法的处方推荐方法 |
| 4.4 实验分析 |
| 4.4.1 中药推荐方法实验分析 |
| 4.4.2 处方推荐方法实验分析 |
| 4.5 本章小结 |
| 第5章 中医辅助诊疗平台构建 |
| 5.1 系统概述 |
| 5.1.1 系统介绍 |
| 5.1.2 系统功能模块 |
| 5.1.3 系统操作流程 |
| 5.2 中医辅助诊疗系统 |
| 5.2.1 辅助开方 |
| 5.2.2 辅助诊断 |
| 5.2.3 辅助诊断-全局搜索 |
| 5.3 本章小结 |
| 第6章 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
四、基于信息熵的决策属性分类挖掘算法及应用（论文参考文献）
- [1]基于C5.0决策树算法的电力营销数据挖掘[J]. 卜晓阳,蔡岩,王宗伟,赵郭燚. 微型电脑应用, 2022(01)
- [2]基于信息熵的粗糙集属性应急数据去重挖掘算法研究[J]. 曾维佳,秦放,李琳,徐鹏. 计算技术与自动化, 2021(04)
- [3]基于信息源选择的多源信息系统邻域互信息熵属性约简[J]. 陈宝国,陈磊,邓明. 台州学院学报, 2021(06)
- [4]改进的ID3算法及其在大学公共体育教学中的应用[J]. 王美芝,赖建英,刘财辉. 赣南师范大学学报, 2021(06)
- [5]区块链框架下基于优化决策树模型的大数据分类算法研究[J]. 杨薇薇,曾凌静. 沈阳工程学院学报(自然科学版), 2021(04)
- [6]基于近似条件熵的集值决策表属性约简算法[J]. 唐鹏飞. 智能计算机与应用, 2021(10)
- [7]基于改进决策树算法的快递客服绩效考核研究与应用[D]. 邱钟成. 南京邮电大学, 2020(03)
- [8]基于深度小世界神经网络的风机变工况变桨故障诊断研究[D]. 李蒙. 北京交通大学, 2020(03)
- [9]居民地综合决策模型和方法研究[D]. 朵天林. 战略支援部队信息工程大学, 2020(01)
- [10]中医辅助诊疗关键技术研究[D]. 陈军亚. 河南科技大学, 2020(06)