基于分区决策树组合分类器的多目标分类方法.docx

基于分区决策树组合分类器的多目标分类方法基于分区决策树组合分类器的多目标分类方法随着现在电子科技的发展，我国的科学家也发明了很多工具方便人们的工作和生活，空中机器人也是近年来的一种高科技产品，本文就针对基于分区决策树组合分类器的多目标分类方法进行了一些论述的论文范文，供大家阅读借鉴。摘要：针对地面有多个无规则运动的目标时，空中机器人很难判断跟踪哪一个的问题，提出一种基于分区决策树组合分类器的地面多目标分类方法。该方法对原始数据集分区处理，分别通过Bagging采样策略形成不同子数据集，利用C4.5经典算法构建基分类器，并用多数投票机制对基分类器预测结果集成输出，分区构建多目标分类模型。仿真表明相对于传统的C4.5算法，该方法能够快速实现地面多运动目标分类，提高空中机器人对地面运动目标的跟踪控制率。关键词：多目标,分区决策树,C4.5算法,Bagging,空中机器人,组合分类器Abstract：Itisdifficultforaerialroboticstodecidefollowingwhichonewhentherearemulti-movingTargets.Amulti-movingTargetsclassificationmethodBasedonMulti-classifiersofSub-regionDecisionTreewasproposedinthepaper.ThispaperpidetheoriginaldatasetintoseveralpartsinwhichdifferentdatasetsareformedbyBagging，andthenbase-classifierisconstructedbasedonC4.5classicalgorithmandMulti-MovingTargetsclassificationmodelisbuiltbymajorityvote.ThefinalsimulationresultsshowthatcomparedwithtraditionalC4.5classicalgorithmthismethodcanclassifythemulti-movingtargetsmorequicklyandimprovethespeedoftheTrackingandcontrolling.Keywords：multi-targets;sub-regiondecisiontree;C4.5classicalgorithm;bagging;aerialrobotics;multi-classifiers在空中机器人众多应用领域中，都会包含跟踪地面运动目标的任务。例如，在空间作战时需要跟踪打击运动目标、在海上进行人员搜救时，需要空中机器人对随波漂流人员的识别以及跟踪等。但是，当有多个无规则运动的目标时空中机器人很难判断跟踪控制哪一个。所以，亟需设计一种有效的多运动目标分类方法解决这一问题。比较常用的多目标分类方法有快速分类算法、人工神经网络法[1]、支持向量机法[2]、贝叶斯分类算法[3]和决策树法[4]等。决策树是用于分类和预测的主要技术之一，它着眼从一组无次序无规则的实例中推测出以决策树表示的分类规则。构造决策树的目的是找出属性和类别之间的关系，用它来预测目标未来的类别。它不需要训练样本，只需要在每一次分类过程中识别一种属性[5]，学习能力强，适合用于处理大规模的学习问题，是数据挖掘最常用的方法之一[6]。利用决策树方法从大量数据中提取潜藏在其中的有用信息和规则被广泛应用和研究。本文利用决策树C4.5经典算法、Bagging集成方法构建组合决策树，建立地面多运动目标的分区决策树分析模型，对地面目标进行分类和预测。并且根据国际空中机器人大赛(IARC)的比赛规则搭建仿真平台验证该分类方法的可靠性。1相关概念及其算法1.1C4.5算法决策树代表对象属性与对象值之间的一种映射关系，常用于构造分类模型。目前决策树算法中比较流行的算法有ID3、C4.5、CART和CHAID等[7]。决策树是数据挖掘的重要方法，基于信息熵的ID3算法是决策树技术的经典算法，信息增益越大的属性分裂的可能性越大[8]。但是它只能处理离散型的属性，而C4.5算法既能处理离散型属性，也能处理连续性属性[9]。ID3算法是一种基于信息熵的决策树分类算[6]。其核心在于构建策树的过程中，节点属性的选择标准为信息熵，即选用具有最大信息增益的属性。这种做法能够在通过每一个非叶节点时获得最多的有关数据的类别信息。构造决策树的方法是：计算出数据集中全部属性的信息增益，按照从大到小的顺序排序。按照信息增益排列的顺序将他们对应的属性作为决策树的节点。每一个节点属性都是最大增益的属性，通过决策树就可以对数据进行分类。文献[1