支持向量机和决策树算法在滚动轴承故障诊断中的应用

滚动轴承作为旋转机械中常见的部件，其发生故障轻则导致设备停工，重则造成经济损失和人员伤亡，因此滚动轴承的故障诊断在机械维护中有着重要意义。使用DC竞赛轴承故障检测数据集对滚动轴承故障诊断中常用模型进行对比分析，按照8:2的比例划分训练集与测试集，采用SMOTE过采样方法对训练集进行处理，从而解决类样本不平衡问题。将处理完后的训练集输入支持向量机(SVM)以及决策树模型，通过比较2个模型的测试集测试结果可以发现，SVM模型在滚动轴承故障诊断中更有效。     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

基于Spark MLlib中决策树算法对阿尔及利亚森林火灾的预测研究

应用阿尔及利亚森林火灾数据，通过Spark MLlib中的决策树算法，提出过滤相关性高的特征参数提升模型性能，对森林火灾进行预测研究。对温度、风速、雨及加拿大森林火险气候指数（FWI）系统中主要指标等特征参数，结合森林火灾的分类情况，使用信息增益标准为Gini的二叉决策树，建立基于决策树的火灾预测模型，对样本数据进行分类预测；提出分析不同特征参数之间的相关性，剔除相关性高的特征参数，利用大数据计算框架Spark建立机器学习工作流，将计算相关性的皮尔森系数与决策树分类算法结合了起来，从而优化模型，提高预测分类精度。预测模型改进前，即未进行相关性分析的森林火灾预测分类总精度为94.94%；预测模型改进后，即进行相关性分析，剔除了相关性较高的特征参数数据，森林火灾预测分类总精度为97.17%，准确率提高了近3%。使用Spark MLlib中的机器学习算法在森林火灾预测分类方面准确率总体较高，尤其在将多种数据挖掘算法结合后，模型性能得到提高，预测分类精度更高。     

面向中小型企业的废水排放水质监测模型研究

在分析了国内外学者水质研究现状的基础上，明确了中小型企业排放废水特征，对排放废水历史水质数据进行分类和关联分析，分析容易监测的水质指标与水质等级之间的关系，提出了基于水质等级分类的中小型企业排放废水水质监测模型。利用决策树算法构建水质等级分类模型，可以有效替代传统采购价高、运行成本高的设备，为企业、政府等相关部门提供方便、科学的排放废水监测体系。以某市河道水质数据进行模型验证，准确率可达78.56%，证明该方法的可行性，为中小型企业排放废水提供全天候在线监测，为分布广、比重大、监管难的中小企业排放废水提供可推广的监测体系。     

基于传感器监测数据的预测泌乳牛乳房炎机器学习算法研究

为了预测集约化牧场奶牛患有临床乳房炎的风险，试验选择黑龙江省黑河市两个集约化奶牛场的288头泌乳牛及其数据为研究对象，分为患病组(确诊患有乳房炎的奶牛189头)和健康组(109头),选择这些奶牛的日平均产奶量、日平均活动量、日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间、昼夜反刍时间比、日每2 h的反刍时间偏差绝对值、日加权反刍时间变化绝对值的和、日平均电导率变化百分比、日电导率峰值14个指标数据，比较分析上述变量在患病组和健康组组间和组内差异；然后采用3种机器学习算法(决策树、随机森林、eXtreme Gradient boosting)和二元逻辑分类算法预测奶牛乳房炎的发病情况。结果表明：在d-0时，患病组奶牛的日平均产奶量[(34.89±11.81)kg]极显著低于健康组[(41.96±8.69)kg,P<0.01];而在d-7～d-2时，患病组奶牛的日平均产奶量均高于健康组，但差异不显著(P>0.05)。患病组奶牛的日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间在d-1时均达到最低[(515.37±66.88)min、(206.63±67.05)mi...     

基于信息决策树分支剔除的传感器资源调度

针对低轨星座对高速运动目标连续跟踪的传感器调度问题，将传感器调度的长时信息增量模型描述为信息决策树，并通过分支剔除技术搜索最优解，提出一种基于信息决策树分支剔除的传感器调度方法.仿真实验表明，长时信息增量有效克服了短时信息增量过于频繁调度的问题，且决策树分支剔除的引入大大降低了长时信息增量最优搜索的运算量.     

决策树算法在油茶种子含油率模拟及关键气象因子分析上的应用

采用决策树算法对湖南省41个油茶样地2009～2017年的油茶种子含油率与气象因子进行诊断分析并挑选出关键指标,结果表明:基于所有时间段气象数据的CART算法拟合效果较好,平均相对误差为18.2%,油脂转化和积累高峰期20℃以上活动积温为最重要的决策因子;对不同时间段气象因子分别建模,平均相对误差在22.9%～25.4%,果实第一次膨大期、果实膨大高峰期、油脂转化和积累高峰期、果实成熟期、采后处理期的最关键气象因子分别为15℃以上活动积温、极端最高气温、20℃以上活动积温、最长连续无降水日数、降水日数。     

基于CART算法的茶园精准灌溉方法

针对茶园灌溉系统中灌溉时机与灌溉量难以确定的问题，以黄山太平地区猴魁茶园为研究对象，先利用CART算法对环境因子与灌溉之间的相关性进行分析，并与逻辑回归、支持向量机等预测模型进行对比，后采用Penman-Monteith公式等对灌溉量进行精确计算，再通过田间试验对本研究获得的灌溉方法进行验证。结果表明:1)地下20 cm、40 cm和地下60 cm处土壤湿度与灌溉之间的相关性最大，分别达到40.66%、12.74%、12.25%，因此，土壤湿度是判断灌溉时机最关键的环境因子；2)使用CART算法预测猴魁茶园的灌溉时机，其准确率、精确率、召回率、F1值较逻辑回归模型(Logistic Regression model)、支持向量机模型(Support vector machine model)分别提升了12%~16%、1.3%~1.4%、12%~16%、7%~9%；3)Penman-Monteith公式对灌溉量的计算结果表明，黄山太平地区猴魁茶园年灌溉量为200 ~500 mm，其中，夏梢期灌溉量最多，占全年灌溉量70%以上。田间试验结果表明该灌溉方法节水率达到30%~35%。因此，使用CART算法及Penman-Monteith公式所获取的灌溉策略对于该地区茶园精准灌溉有一定的借鉴意义。     

决策树算法对整家定制家居购买决策的预测研究北大核心

提高销售门店客单率是影响定制家居企业持续发展的重要因素之一。通过使用决策树算法对客户消费特征进行分析研究,对预测客单率有重要意义。本文通过问卷调查法对有意愿购买整家定制家居的顾客进行数据采集,运用基于机器学习的决策树算法构建预测模型。研究发现,决策树算法可以更加清晰且直观地了解消费者购买决策与特征因素之间的关联性,说明该方法适用于消费者购买意愿的预测。本研究结果以期为企业的销售策略制定及产品设计提供参考。