农业智能决策系统开发实验指导2..docVIP

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、、实验内容、、实验详细记录过程中出现的问题解决方法结果对实结果进行分析，体会。、实验内容、、实验详细记录在过程中出现的问题解决方法结果。对实结果进行分析，心得体会及改进意见。、、实验内容 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 11978 12.5 93.5 31908 美国 28446 30.4 202.0 23754 日本 2501 67.2 24.8 58 德国 1028 28.4 14.0 599 英国 210 8.6 1.5 1147 法国 1458 26.7 16.0 1288 意大利 635 21.1 3.6 514 加拿大 32613 32.7 192.8 2385 澳大利亚 10700 13.9 10.5 45190 前苏联 92000 41.1 841.5 37370 捷克 458 35.8 8.9 168 波兰 868 27.8 11.4 405 匈牙利 161 17.4 2.5 129 南斯拉夫 929 36.3 11.4 640 罗马尼亚 634 26.7 11.3 447 保加利亚 385 34.7 2.5 200 印度 6748 20.5 29.0 1200 印尼 2180 84.0 33.7 1200 尼日利亚 1490 16.1 0.8 2090 墨西哥 4850 24.6 32.6 7450 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、、实验详细记录过程中出现的问题解决方法结果对实结果进行分析，体会。、实验内容 10 雨 适中 正常 无风 P 11 晴 适中 正常 有风 P 12 多云 适中 高 有风 P 13 多云 热 正常 无风 P 14 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”)。 （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)=9／14 P(u2)=5／14 H(U)=(9／14)log(14／9)+(5／14)log(14／5)=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)=5／14 P(v2)=4／14 P(v3)=5／14 取值为晴的5个例子中有两个正例、3个反例，故： P(u1／v1)=2／5，P(u2／v1)=3／5 同理有：