资源预览内容
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
第9页 / 共12页
第10页 / 共12页
亲,该文档总共12页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
农业智能决策系统开发实验指导实验教学总学时:36实验教学总体目的和要求:通过实验教学,进一步加深对知识库与推理机、数据仓库、遗传算法、决策树、神经网络、遗传算法等有关概念和技术的理解和认识;熟悉和掌握有关决策支持技术和方法的使用;初步具备运用所学知识、方法和工具开发试验性农业决策支持系统的能力。要求学生每次实验前做好预习和准备工作,包括提前熟悉实验内容,编写好应用程序。上机实验时要对程序进行认真调试,直至可以运行并获得正确的实验结果为止。同时要经过对实验过程的认真思考,提升对课程内容和知识的认识。每个实验(1-6)提交实验报告一份,期末提交课程设计报告一份(实验7)。实验重点:知识库的构建与使用;ID3算法构建决策树;遗传算法优化求解;农业决策支持系统开发实验难点:神经网络专家系统设计;数据仓库的构建与使用;聚类分析方法应用;农业决策支持系统开发实验一 知识库的构建与使用(4学时)一、实验目的:通过实验教学,加深对知识库及推理过程的理解与认识,了解知识库构建与使用的基本方法。深入理解基于规则的知识表示方法和机内实现方式,以及推理的实现过程。掌握知识库及推理程序的设计技术。能根据实际问题,使用VF构建知识库,完成推理机编码。二、实验器材与环境:计算机、Windows操作系统、SQL Server 200X。三、实验内容:自行选择一个专家系统应用问题,构建一个不少于10条知识(产生式规则)的知识库,使用SQL Server构建机内演绎推理知识库,编制推理机程序,用于实现专家系统应用问题的求解。例:有如下规则集:K1: ABCGR2: DEAR3: FBR4: HPCR5: QE已知事实D、Q、F、P为YES,H为NO,请用逆向推理求证目标G。四、实验原理:关系数据库的构建与编程方法、逆向推理方式求解方法五、实验步骤1、建立实际问题的产生式规则集;2、使用SQL Server完成机内演绎推理知识库的构建;3、使用SQL Server语言编写推理程序;4、调试推理程序,改进设计;5、运行推理程序,实现问题求解;6、分析实验过程和结果,写出实验报告。六、实验要求:详细记录实验过程中出现的问题、解决方法以及实验结果,并对实验结果进行细致分析,写出构建知识库、知识推理求解的具体过程,以及体会和认识。提交知识库的构建与使用实验实验报告,附知识库和推理机程序源程序、可执行文件(电子文档)和使用说明。实验二 数据仓库的构建与使用(4学时)一、实验目的:通过实验教学,加深对数据仓库的理解与认识,熟悉构建与使用数据仓库的基本方法。深入理解数据仓库的数据模型,掌握数据仓库构建及应用程序设计技术,并能用于解决某些特定实际问题。二、实验器材与环境:计算机、Windows操作系统、SQL Server 200X。三、实验内容使用SQL Server 200X构建一个基于FoodMart(SQL Server所带的一个示例数据库)的数据仓库。使用SQL Server 200X的SSIS完成数据的抽取并将数据装载到数据仓库。创建数据立方,并使用SQL Server 200X的SSAS,进行决策支持的OLAP;四、实验原理使用SQL Server 200X创建数据仓库逻辑结构的方法(关系数据库管理系统SQL Server 200X同时用作数据仓库的管理系统);使用SQL Server 200X的SSIS进行ETL的方法;使用SQL Server 200X的SSAS进行OLAP的方法。五、实验步骤1、按照实验内容要求设计和创建数据仓库,使用SQL Server 200X构建其逻辑结构;2、设计和使用ETL,使用SQL Server 200X的SSIS完成数据仓库的数据装载;3、创建OLAP数据立方,为专门的OLAP奠定基础;4、使用SQL Server 200X的SSAS,进行决策支持的OLAP;5、分析实验过程和结果,写出实验报告。六、实验要求:详细记录在实验过程中出现的问题、解决方法以及实验结果。对实验结果进行分析,写出心得体会及改进意见。提交数据仓库的构建与使用实验实验报告。实验三 聚类分析方法决策应用(4学时)一、实验目的:通过实验教学,加深对聚类分析技术方法的理解与认识,了解聚类分析技术的基本使用方法。深入理解基于聚类分析的决策系统开发与实现过程。掌握聚类分析应用程序设计技术。能根据实际问题,完成应用程序开发。二、实验器材与环境:计算机、Windows操作系统、MATLAB/SPSS/自编软件。三、实验内容:为了研究世界各国森林、草原资源的分布规律,共抽取了21个国家的数据,每个国家4项指标,原始数据见表3-1。使用该原始数据对国别进行聚类分析。表3-1 抽样数据表国别森林面积(万公顷)森林覆盖率(%)林木蓄积量(亿立方米)草原面积(万公顷)中国1197812.593.531908美国2844630.4202.023754日本250167.224.858德国102828.414.0599英国2108.61.51147法国145826.716.01288意大利63521.13.6514加拿大3261332.7192.82385澳大利亚1070013.910.545190前苏联9200041.1841.537370捷克45835.88.9168波兰86827.811.4405匈牙利16117.42.5129南斯拉夫92936.311.4640罗马尼亚63426.711.3447保加利亚38534.72.5200印度674820.529.01200印尼218084.033.71200尼日利亚149016.10.82090墨西哥485024.632.67450四、实验原理:聚类分析的原理、编程方法或MATLAB/SPSS的使用方法。五、实验步骤1、研究实际聚类分析对象;2、确定使用的聚类分析方法;3、自编聚类分析程序或使用MATLAB/SPSS完成聚类分析;4、分析实验过程和结果,写出实验报告。六、实验要求:详细记录实验过程中出现的问题、解决方法以及实验结果,并对实验结果进行细致分析,写出聚类分析的原理、程序开发要点(自编软件时)或者聚类分析操作方法与过程(使用MATLAB/SPSS时),以及体会和认识。提交聚类分析方法决策应用实验实验报告。实验四 基于ID3方法的决策树构建(4学时)一、实验目的:通过实验教学,加深对数据挖掘的理解与认识。深入理解ID3方法的基本原理,掌握基于ID3方法的决策树构建方法及应用程序设计技术,并能用于解决某些特定实际问题。二、实验器材与环境:计算机、Windows操作系统、VC+/SQL Server 200X。三、实验内容根据天气、气温、湿度和风四个属性,可以将气候分成两类分别为P、N。请按表4-1给出的一个训练集。由ID3算法得出一棵正确分类训练集中每个实体的决策树,如图4-1所示。然后用于其它情况下的气候分类。表4-1 气候分类训练样本集样本号属性类别天气气温湿度风1晴热高无风N2晴热高有风N3多云热高无风P4雨适中高无风P5雨冷正常无风P6雨冷正常有风N7多云冷正常有风P8晴适中高无风N9晴冷正常无风P10雨适中正常无风P11晴适中正常有风P12多云适中高有风P13多云热正常无风P14雨适中高有风N图4-1 气候分类的ID3决策树四、实验原理或算法描述按照ID3基本思想,工作过程是,首先找出最有判别力(信息增益,information gain)的属性,把数据分成多个子集,每个子集又选择最有判别力的属性进行划分,一直进行到所有子集仅包含同一类型的数据为止。最后得到一棵决策树,可以用它来对新的实例进行分类。ID3算法包括主算法和建树算法,具体描述如下:1、主算法(1)从训练集中随机选择一个既含正例又含反例的子集(称为“窗口”)。(2)用“建树算法”对当前窗口形成一棵决策树。(3)对训练集(窗口除外)中的例子用所得决策树进行类别判定,找出错判的例子。(4)若存在错判的例子,把它们插入窗H,转2,否则结束。主算法流程如图6-2所示。其中,PE、NE分别表示正例集和反例集,它们共同组成训练集。PE、PE”和NE、NE”分别表示正例集和反例集的子集。主算法中每迭代循环一次,生成的决策树将会不相同。图4-2 ID3主算法流程2、建树算法建树算法的操作步骤如下:(1)对当前例子集合,计算各属性的互信息。(2)选择互信息最大的属性Ak。(3)把在Ak处取值相同的例子归于同一子集,Ak取几个值就得几个子集。(4)对既含正例又含反例的子集,递归调用建树算法。(5)若子集仅含正例或反例,对应分支标上P或N,返回调用处。对于气候分类问题给出以下具体计算和操作说明,以便理解建树算法中关键操作的内容和具体实现方法。(1)信息熵计算信息熵: 类别ui出现概率:|S|表示例子集S的总数,|ui|表示类别ui的例子数。对9个正例u1和5个反例u2有:P(u1)=914 P(u2)=514 H(U)=(914)log(149)+(514)log(145)=0.94bit(2)条件熵计算条件熵:属性A1取值vj时,类别ui的条件概率:A1=天气的取值:v1=晴,v2=多云,v3=雨在A1处取值“晴”的例子5个,取值“多云”的例子4个,取值“雨”的例子5个,故:P(v1)=514 P(v2)=414 P(v3)=514取值为晴的5个例子中有两个正例、3个反例,故:P(u1v1)=25,P(u2v1)=35同理有: P(u1v2)=44,P(u2v2)=0P(u1v3)=:25,P(u2v3)=35H(U|V)=(514)(25)log(52)+(35)log(53)+(414)(44)log(44)+0)+(514)(25)log(52)+(35)log(53)=0.694bit(3)互信息计算对A1=天气,有:I(天气)=H(U)一H(U|V)=0.940.694=0.246bit类似可得:I(气温)=0.029bitI(湿度)=0.151bitI(风)=0.048bit(4)建决策树的树根和分支ID3算法将选择互信息最大的属性“天气”作为树根,在14个例子中对“天气”的3个取值进行分支,3个分支对应3个子集,分别是:F1=(1,2,8,9,11), F2=3,7,12,13, F3=4,5,6,10,14其中
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号