《农业智能决策系统开发实验指导-2》由会员分享，可在线阅读，更多相关《农业智能决策系统开发实验指导-2（12页珍藏版）》请在金锄头文库上搜索。
1、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
2、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
3、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
4、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（S
5、QL 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；
6、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
7、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
8、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、
9、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
10、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
11、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
12、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
13、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(u
14、2v1)=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
