基于优化的决策树算法在热轧工艺中的应用

决策树分类方法是一种非常有效的机器学习方法,具有分类精度高、对噪声数据有很好的健壮性以及形成树状模式等优点,对决策树算法的优化也主要是从分支属性的选择标准,对决策树的修剪,以及引入模糊理论、粗糙集理论、遗传算法和神经网络算法等几个方面进行优化。引入粗糙集理论中的属性重要性原理来对决策树进行优化,首先计算出每个条件属性对分类的重要度,然后根据重要度大小来对样本集进行一个筛选,在不损害分类准确率的同时减小决策树的规模。整个算法在Visual C++6.0环境下编程实现,并应用于热轧工艺模型中,通过对热轧数据的处理,验证了算法的有效性。     

基于XML/HTML标签属性的信息隐藏模型

文中首先针对现今常用的基于文本和XML的信息隐藏模型进行了介绍,分析了其中的不足,并且提出了一种隐蔽性更高,更易实现的信息隐藏模型。由于XML/HTML文本中,标签的属性排序完全不影响文档的使用,同时XML/HTML的绝大多数标签属性本就没有规定和约定俗成的顺序,所以有很高的隐蔽性,从而达到了信息隐藏的目的。实验结果表明：该方法实现了信息隐藏,验证了其正确性,对实际工程中的数据隐藏有一定的参考价值。