分类器_参考网

基于动态异构集成的多标签数据流分类算法

更高生成多样化分类器的潜力[3]。在单标签分类算法中，文献[3]利用异构集成来进行不平衡学习。文献[4]提出一种基于基分类器多样性的动态加权异构自适应集成分类器，该算法在集成中利用不同类型的基分类器和使用Q统计量来度量集成分类器之间的多样性。在处理概念随时间变化的动态数据流时，动态自适应集成可以提供一种合适的方法，可以保留长期存在的历史概念并覆盖新出现的概念[4]。同时在以往的研究中，异构集成分类器中的基分类器数量是根据分类算法的数量来确定，即它使用H个不

计算机工程与设计 2023年10期2023-11-03

分类器集成综述

25)0 引言分类器是利用已知的数据来建立模型，并用这个模型去预测待测数据的类别。在监督学习中，分类问题是基于训练数据样本中提供的已知输出标签来监督的，分类器在学习待测数据的同时，主要目标是尽可能地接近真正的未知函数，减少泛化误差。然而，并不是所有的样本都能被一个单独的分类器很好地学习到，在这种情况下，模型的泛化能力降低，分类器在测试集上表现不佳，所以采用多分类器集成技术为解决该问题提供了思路，若在对同一个样本进行测试时，不同的基分类器的分类结果不同，使用

计算机时代 2022年9期2022-11-03

引入注意力机制的AdaBoost算法

学习得到一组弱分类器，最终将弱分类器组合成强分类器。其思想是：对于复杂任务而言，将多个专家的判断进行适当综合而作出的判断，往往要比其中任何一个专家的单独判断好。AdaBoost有很多良好特性：首先弱分类器权重可以通过计算得到而非人工调整；其次在数学上可以证明随着训练次数的增加，训练误差以指数速率下降[1]。正因如此，它已被广泛应用于人脸识别、目标检测等领域。AdaBoost的学习过程可以分成三个步骤：①找到若干个误差相互独立的弱分类器；②训练得到弱分类器的

计算机仿真 2022年7期2022-08-22

少样本条件下基于K-最近邻及多分类器协同的样本扩增分类

个高效且准确的分类器，大量的已标记样本是必不可少的。但在许多情况下，标记样本十分耗时耗力，导致每个类别的训练样本很可能只有一个或者少量几个，无法使分类器的分类精度得到有效提高。同时，很多的数据集也会存在样本类别数量不平衡的问题。样本数量不足以及样本类别数量不平衡而导致分类器性能下降的问题统称为少样本问题。少样本问题的本质是训练样本数量过少，大量的无标记样本信息无法得到应用。面对少样本问题，文献[2]提出通过数据增强的方法对原有的少量样本数据集进行样本扩充，

现代电子技术 2022年15期2022-07-28

学贯中西（6）:阐述ML分类器的工作流程

号MlL模型：分类器在上一期里，曾经在Excel 画面的幕后，设计了一个分类器（Classifier）模型，将各<诗句>归类到各自所属的<作品>。此时，把一个作品名称（如静夜思），当作一个类（Class ）。于是，这种ML模型，就通称为：分类器。在ML（机器学习）领域中，分类器就是天字第1号模型。在本专栏的前面几期里，曾经介绍过分类器的幕后实践技术。在本期里，就来把去年介绍过的技术，与华夏的艺术、文化创作，连结起来，让您能够贯通ML的知识体系及其实现技术，

电子产品世界 2022年4期2022-04-21

ELM-Adaboost分类器在轴承故障诊断中的运用

因此将多个基本分类器变成一个强分类器成为一种研究趋势［14］。在国内外学者的努力下，基于不同弱分类器的强分类器模型取得研究进展。文献［15］将SVM作为基本分类器，建立基于Ada-boost_SVM分类器的滚动轴承故障诊断模型；文献［16］将BP网络作为基本分类器，建立基于BP-AdaBoost的耦合碰摩故障特征识别模型；文献［17］将BP-AdaBoost算法用于列车关键零件故障识别；文献［18］将BP-AdaBoost算法用于机载燃油泵故障诊；文献［1

机械设计与制造 2022年2期2022-02-23

一种基于SVM的主动多分类方法

之间构造一个二分类器，如果有k类样本，二分类器的个数将达到，该方法构造的分类器个数过多，存在分类器个数过多导致不可分区域出现的弊端。“一对多”多分类算法的主要思路是锁定某一类数据，其余类别的数据都归为另一类，在两者之间构造一个分类器，如果有k类样本，二分类器的个数为k，该方法构造的二分类器个数较少，但是在训练分类器的过程中，需要所有的训练样本参与计算，计算量过大，训练时间过长。“决策树”多分类算法通过计算数据类别的信息熵增益，首先分离出类别属性最易区分的数

山西大学学报（自然科学版） 2021年2期2021-05-19

基于机器学习评估光纤链路传输质量

量的方法基于二分类器，如随机森林（RF），K近邻（KNN），支持向量机（SVM）三种分类器对光路传输质量进行二分类，SVM获得最高0.9915分类准确度[6]；KNN，SVM，人工神经网络（ANN），逻辑回归算法（LR）分类器对光路的剩余冗余进行二分类,通过比较准确率，F1分数，得到ANN是获得最佳泛化能力的模型，两个指标分数均达到0.99以上[7]。除了经典的机器学习算法，在机器学习中，集成学习也是研究的热点。集成学习利用一定的规则组合不同的学习器构建具

电子元器件与信息技术 2021年11期2021-03-26

面向概念漂移集成分类的三支决策优化方法

习器[5]、单分类器设计模式[6]和多分类器集成技术[7-10]。自适应基学习器通过对传统机器学习算法加以改进，使其在复杂多变的数据流环境中具有较好的适应性。单分类器设计模式通常采用的方法有滑动窗口技术和样本加权，以此对数据集进行重新构造以获得良好的实时表现。多分类器集成技术被认为是处理概念漂移问题更为有效的方法，其主要思想是在不同时期的数据块上构造多个基分类器，并利用相应结合策略产生最终的分类结果。在多分类器集成过程中，基分类器应是准确且多样的[11-1

郑州大学学报（理学版） 2021年1期2021-03-24

基于朴素Bayes组合的简易集成分类器①

素Bayes 分类器是一种简单易用的分类器,在文本分类方面表现出色[1–4].垃圾邮件过滤是它最为成功的商业应用[5].到现在一直有人尝试把它应用于各种领域[6–9].朴素Bayes 分类器建立在条件独立假设的基础上:其中,一个只和x有关的系数被省略了.而这个假设比较强,通常无法被满足;计算出的后验概率和实际值也相差较大.不过,朴素Bayes 分类器却不会因此而受太大影响[10].实际上,朴素Bayes 分类器是一种可加模型[1],即有下述分解:历史上人们

计算机系统应用 2021年2期2021-02-23

自适应概念漂移问题的增量集成分类算法*

持续到达的，在分类器学习过程中要求对每个样本只进行一次处理，对内存使用和处理时间上也提出更高的要求[4]。此外还要求更新现有分类器以适应新概念的同时又不影响对旧数据的分类性能，这就造成了“稳定性-可塑性困境”[5]。集成分类器可以选择性地删除或添加弱分类器，比较适合处理概念漂移问题，依据每次输入样本数量不同，集成算法可分为在线学习和批量学习两类，在线学习每次处理一个样本，而批量学习每次处理一个数据块，数据块包含多个样本。典型的批量学习集成算法，当一个新的数

计算机与生活 2020年7期2020-07-10

基于动态策略的多源迁移学习数据流分类研究

到的多个源领域分类器进行集成来对目标领域新到样本进行分类,能够解决源领域和目标领域相似度较低以及目标领域标注样本不足的问题[5-7]。根据多源领域分类器的不同集成方式,可以将多源领域分类器集成分为多源领域分类器直接集成和多源领域分类器选择集成两类。多源领域分类器直接集成的方法将所有源领域分类器进行集成。文献[8]建立一种多源迁移学习算法OMS-TL,该算法根据二部图实现对目标领域样本的预测,通过对数据样本进行重用来实现迁移学习。文献[9]设计OTLMS算法

计算机工程 2020年5期2020-05-18

基于动态分类器集成系统的卷烟感官质量预测方法

究大多使用单一分类器对卷烟感官质量进行预测。数据挖掘研究[10]表明，目前还不存在一种分类学习算法可以在任何情况下都比其他分类算法表现出更好的性能[10]。即使是针对同一分类问题，针对不同的预测样本的特点，不同的分类算法也表现出不同的分类效果。基于这个事实，研究人员提出了动态选择分类器，并且成为了数据挖掘领域重要的研究方向。另一方面，文献[11-12]表明，集成学习能够有效改善学习效果，并且对不同分类问题具有良好的鲁棒性。结合动态分类器选择和集成学习优势，

计算机应用与软件 2020年1期2020-01-14

基于特征选择的SVM选择性集成学习方法

使用多个单独的分类器通过投票的方式来综合分析判断。其中的基分类器类型又可以分为两类：异质类型和同质类型。其中生成同质类型分类器的方法主要有：Bagging(bootstrap aggregating)算法[2]和Boosting算法[3]。Bagging是一种可以并行执行的方法，其产生的训练子集通过有放回的数据抽样产生，最后将由训练数据产生的各个基分类器进行集成组合。而Boosting方法构成最终分类器的方式，则是给各个分类器赋予不同的权重来集合完成。之前

电子技术与软件工程 2019年18期2019-11-18

DAGSVM 多分类技术研究

VM 的多类别分类器，它引入了OVO 分类器中利用每两个类别作为基础二类分类器的方法，保证了分类的准确率，而且采用了有向无环图结构，使得每次分类只需要k-1个分类器，大大提升了分类的效率。但是由于采用了层次结构，也保留了层次结构固有的的缺陷：误差累积，在上层的节点产生的错误会一直保留下来，因此，距离根节点越近的节点，对整个结构的分类结果影响越大。而DAG-SVM 的节点选取方式采用了随机的方式，这就使得最终的分类结果十分的不稳定。另外，由于采用了与一对一相

数字通信世界 2019年7期2019-08-23

一种自适应子融合集成多分类器方法

决这样的问题，分类器融合技术成为了模式识别领域的一个重要技术。当前许多研究表明，多分类器融合技术对于模式识别的性能有较大的提高[1-3]。目前多分类器融合技术已经在很多领域上得到实践，例如图像分类、语音识别、手写技术识别等[4]。模式识别领域统一将分类器技术划分为以下两种形式：分类器动态选择[5]和分类器融合。动态分类器选择方法的核心思想是：预测当前识别任务多分类器系统中识别最准确的基分类器，选择预测的基分类器作为多分类器系统融合决策的输出。而分类器融合方

计算机测量与控制 2019年4期2019-05-08

一种基于样本近邻分类精度的支持向量机集成方法

集合多个SVM分类器， 可以提高系统的泛化能力[4-6]. Zhou[3]等人在研究中进一步发现， 选择部分SVM分类器集成， 性能要优于使用所有个体SVM分类器. 文献[4]构建了二级SVM分类器， 利用投票法集成. 文献[6]提出了多级支持向量机. 文献[7]将灰色理论引入SVM的集成， 进行预测等. 这些研究为SVM的集成学习提供了新的思路[8-10]. 但实际应用中， 分类器常常需要随着新样本的特征， 能自动调整， 以增加自适应性.基于此， 本文提

中北大学学报(自然科学版) 2019年2期2019-04-09

基于Adaboost的行人检测综述

作为正样本进行分类器训练。该类算法鲁棒性较好。因此，本文系统地分析了Adaboost弱分类器和强分类器的迭代，描述了Haar特征的提取和积分图的计算方法，最后给出了Adaboost分类器的训练过程和完整分类流程，并总结了该算法的优缺点。1 AdaBoost算法1.1 AdaBoost概述AdaBoost是迭代算法。它的原理是利用一个训练样本进行特征提取,从而训练出各个不同的弱分类器,然后将这些弱分类器组合成一个能力很强的强分类器。具体流程:(1)初始化每一

电子制作 2019年1期2019-01-21

一种新颖的识别酶EC编号的计算方法

构造了一种新的分类器来识别酶的EC编号。为了训练这个分类器,所有的酶以及它们的EC编号都是从ENZYME数据库中检索出来的[13]。不同于以前把酶分为几类的方法,在本文中是把一个酶和它的所属EC编号配对为一个正样本。负样本随机被产生并且产生的个数和正样本的个数一样多。然后,酶的EC编号的确定问题被转换成一个二分类问题,即,测定一个酶和一个EC编号是否可以配对。从蛋白质相互作用数据库STRING（https://string-db.org/,version

现代计算机 2018年24期2018-10-15

用于SAR图像海面溢油自动识别的Bagging-AdaBoost决策树分类器系统

个高检测率的单分类器。实际上，获得一个高检测率及优秀泛化性能和稳定性能的强单分类器是相当困难的，因此，Schipire等于1990年代在计算机学习领域提出了将多个弱分类器组合为强分类器的算法[24]，其中包括Boosting算法及其改进型AdaBoost算法[25-26]和Bagging算法[30-31]。这些算法在计算机领域已成为分类器性能增强的通用方法。2006年，Geraldo L B Ramalho等在模式识别国际会议上首次以神经网络作为Boost

中国海洋大学学报（自然科学版） 2018年10期2018-10-12

使用混合差异性度量的分类器选择方法*

001 引言多分类器集成的目的是为了获得更好的识别性能，在该项技术的研究过程中，可以很轻松地获取大量分类器集合并通过某种手段进行融合。但是这种做法存在一些弊端：首先随着分类器数量的增加势必会加大存储空间与运行时间的消耗；其次是经过研究发现，当分类器数量过大时，反而会由于分类器间差异度的减小而降低识别率[1]。因此分类器的选择成为集成学习的重要研究方向之一，即从大量的分类器集合中挑选出具有一定差异度与准确率的分类器参与集成。通常研究人员认为集成若干完全一致的

计算机与生活 2018年9期2018-09-12

基于AHP的SMOTEBagging改进模型

模型，它将多个分类器的预测结果进行集成，得到相比于单个分类器更稳定更准确的预测结果，有着广泛的应用[1～2]。在实际应用过程中，常常会面临数据不平衡的问题，比如信用风险预测中，违约用户的数量是远少于正常用户的数量的，在病情诊断中，检查呈阳性的样本数量总是少于呈阴性的样本数量。在这些应用中，少类样本往往才是最重要的样本[3～4]，传统分类模型会倾向于将样本预测为数量较多的那一类样本，导致对少类样本的预测准确率较差[5]。Bagging模型不能直接用于处理不平

电子科技大学学报(社科版) 2018年4期2018-08-16

基于差异性和准确性的加权调和平均度量的基因表达数据选择性集成算法

通过结合多个基分类器以提高整体泛化性能的算法［2］。常 见 的 集 成 学 习 算 法 有 Bagging［3］、Boosting［4］等。Tumer等［5］指出基分类器之间的差异性和基分类器自身的准确性是决定集成系统泛化性能的两个重要因素;周志华［6］也提出基分类器的差异性越大、准确性越高，则集成的效果越好;张春霞等［7］指出基分类器的差异性难以衡量，现有的选择性集成算法大多只考虑到基分类器之间的差异性而忽略基分类器自身的准确性;陆慧娟等［8］提出了一种

计算机应用 2018年5期2018-07-25

基于并行组合分类器的脱机手写体数字识别

鉴于传统的单一分类器对数字之间差异的敏感性不同，许多学者开始研究组合分类器所产生的效果[2]。文献[3]使用四种特征和三种传统分类器构造了九种不同的分类器进行组合。文献[4]构造了两级的组合分类器，第一级是最小距离分类器，第二级由三个反向传播网络并联而成。文献[5]提出了一种基于量子神经网络的二级识别系统。这些方法虽然在一定程度上提高了识别率与可靠性，但分类器的组合结构却十分复杂，因此识别速度随之下降。文中提出使用一种特征、三种分类器、并行结构组织的组合分

计算机技术与发展 2018年3期2018-03-20

利用多分类器自适应级联模型的高分二号影像分类

830)利用多分类器自适应级联模型的高分二号影像分类王 耀1,2，杨化超1，王光辉1,2，黄 杰1,2，王 更1,2，刘 笑1,2(1. 中国矿业大学，江苏 徐州 221116； 2. 国家测绘地理信息局卫星测绘应用中心, 北京 100830)针对传统单一分类器分类效果不够理想，存在各自的不足，以及已有的多分类器级联模型不能根据待识别样本特征进行动态调整优化等问题，提出了一种基于多分类器自适应级联模型的遥感影像分类方法。该模型选取各类别最优分类器进行级联组

测绘通报 2017年11期2017-12-05

基于差异性测度的遥感自适应分类器选择

度的遥感自适应分类器选择文/李光丽 王玮哲 姚乐乐 李霖 马天舒遥感影像分类在遥感专题信息提取、动态变化监测等应用中都发挥着重要作用。现阶段遥感分类器与分类方法很多，造成了遥感分类结果的差异性或多样性，多分类器组合已成为提高遥感分类精度有效的途径。但并非所有的分类器组合都能提高分类精度，如何选择合适的分类器组合非常重要。通过构建基于差异性测度的启发式搜索算法，实现分类器成员的自适应选择，选用AVIRIS数据进行试验，结果表明，基于差异性测度的启发式搜索有助

电子技术与软件工程 2017年14期2017-09-08

基于实例的强分类器快速集成方法

)基于实例的强分类器快速集成方法许业旺1*，王永利1，赵忠文21.南京理工大学 计算机科学与工程学院，南京 210094； 2.装备学院 复杂电子系统仿真重点实验室，北京 101416)(*通信作者电子邮箱381181495@qq.com)针对集成分类器由于基分类器过弱，需要牺牲大量训练时间才能取得高精度的问题，提出一种基于实例的强分类器快速集成方法——FSE。首先通过基分类器评价方法剔除不合格分类器，再对分类器进行精确度和差异性排序，从而得到一组精度最高

计算机应用 2017年4期2017-06-27

基于AdaBoost算法的在线连续极限学习机集成算法

ELM）作为基分类器，根据AdaBoost集成各个基分类器，用AdaBoost集成分类器的权值，得出最终结果。实验结果表明，该方法具有较高的准确率。关键词：AdaBoost；在线连续极限学习机；集成算法DOI：10.11907/rjdk.162759中图分类号：TP312文献标识码：A文章编号：16727800（2017）0040049020引言 随着不均衡数据不断涌现，针对不均衡数据分类算法的研究方兴未艾。针对数据分类的主要有基于支持向量机（SVM）[1

软件导刊 2017年4期2017-06-20

采用互补信息熵的分类器集成差异性度量方法

用互补信息熵的分类器集成差异性度量方法赵军阳1,2,韩崇昭2,韩德强2,张春霞3(1.第二炮兵工程大学202教研室, 710025, 西安;2.西安交通大学电子与信息工程学院, 710049, 西安;3.西安交通大学数学与统计学院, 710049, 西安)针对多分类器系统差异性评价中无法直接处理模糊数据的问题,提出了一种采用互补信息熵的分类器集成差异性度量(CIE)方法。首先利用训练数据生成一系列基分类器,并对测试数据进行分类,将分类结果依次组合生成分类数

西安交通大学学报 2016年2期2016-12-21

基于垂直数据格式频繁闭项集的选择性集成算法的研究

性集成通过对基分类器进行选择来提高集成分类器的泛化能力，降低预测开销。模式挖掘是一种将问题转化为事务数据库中模式的全新挖掘策略。本文将垂直数据格式频繁闭项集的模式挖掘方法应用于分类器的选择过程，利用垂直数据结构、频繁闭项集及模式挖掘方法的优势，提出一种预测性能更好、更加高效的选择性集成分类算法。选择性集成；垂直数据格式；频繁闭项集；模式挖掘；分类器分类器集成是将若干个学习得到的基分类器以某种方式组合来解决同一个学习任务，国际机器学习界的权威学者Diette

电子设计工程 2016年19期2016-11-09

基于在线迁移学习的重现概念漂移数据流分类

刚学习的一个基分类器，然后计算最近的样本与存储的各历史分类器之间的领域相似度，以选择最适合对后续样本进行学习的源分类器，从而改善从源领域到目标领域的知识迁移.另外，RC-OTL还在概念漂移检测之前根据分类准确率选择合适的分类器对后续样本分类.初步的理论分析解释了RC-OTL为什么能有效克服“负迁移”，实验结果进一步表明：RC-OTL的确能有效提高分类准确率，并且在遭遇概念漂移后能更快地适应后续样本.概念漂移；迁移学习；重现概念；在线学习；负迁移随着大数据时

计算机研究与发展 2016年8期2016-08-31

近红外光谱和多分类器融合的葡萄酒品种判别研究

近红外光谱和多分类器融合的葡萄酒品种判别研究李凯1，李雪莹1，栾丽丽1，胡文雁1，王宇恒1，李景明2*，李军会1，劳彩莲1，赵龙莲1*1. 中国农业大学信息与电气工程学院，北京 100083 2. 中国农业大学食品科学与营养工程学院，北京 100083将多种单分类器模型融合，并用融合后的模型对不同品种干红葡萄酒进行判别分析。用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱，选取PLS-DA，SVM，Fisher和A

光谱学与光谱分析 2016年11期2016-07-12

基于弱分类器调整的多分类Adaboost算法

24)﻿基于弱分类器调整的多分类Adaboost算法杨新武*马壮袁顺
(北京工业大学计算机学院北京100124)摘要：Adaboost.M1算法要求每个弱分类器的正确率大于1/2，但在多分类问题中寻找这样的弱分类器较为困难。有学者提出了多类指数损失函数的逐步添加模型(SAMME)，把弱分类器的正确率要求降低到大于1/k(k为类别数)，降低了寻找弱分类器的难度。由于SAMME算法无法保证弱分类器的有效性，从而并不能保证最终强分类器正确率的提升。为此，该文通过

电子与信息学报 2016年2期2016-04-20

半动态集成选择分类方法

引言近年来，多分类器系统(MCS)得到了越来越广泛的关注，并且已经成功应用到多个领域，比如风险评估［1］、文本分类［2］、以及变化检测［3］、故障诊断［4］、遥感分类［5］等。目前，已经提出一些经典的集成策略，比 如Bagging［6-7］、Boosting［8-9］和随机子空间方法［10-11］。由于以上这些方法中的每一个子分类器都要为测试样本输出一个结果，可能会存在冗余，而这会导致较高的计算复杂度。更为严重的是，如果子分类器集合中存在弱分类器，那么分类

计算机与现代化 2015年2期2015-11-26

AdaBoost人脸检测定点型优化算法

de瀑布式级联分类器中弱分类器与强分类器分类计算的特点，有效分解了弱分类器与强分类器的计算过程，从而现实了强分类器与弱分类器相关模型参数有效分离标定。优化算法进一步利用图像积分图及弱分类器计算特点，完成对弱分类器计算过程及相关模型参数的定点型转化；同时，利用强分类器浮点的计算精度要求，完成强分类器计算过程及相关模型参数的定点型转化。该定点型AdaBoost人脸检测方法计算精度逼近原浮点型算法计算精度，保持了较高的人脸检测正确率，并利于后期的SIMD并行计算

电子科技大学学报 2015年4期2015-10-09

浅谈多分类器动态集成技术

的准确性是衡量分类器性能的最重要指标之一，集成分类器的目的在于获得高性能的分类结果。分类器集成主要是通过对多个单分类器进行组合来提高分类性能。尽管传统的集成分类技术已经应用到很多领域，但随着科技的发展，人们对应用结果有了更高的要求。这就意味着人们希望通过对传统的静态集成分类技术的改进，得到满足应用领域深层次要求的高性能的集成算法。于是，多分类器动态集成技术应运而生，研究分类器集成技术以提高集成分类的性能指标，已成为众多领域的研究热点。1 多分类器集成1.1

科技视界 2015年24期2015-08-22

基于混合多样性生成与修剪的集成单类分类算法

直接应用于单类分类器效果不理想的问题，该文首先证明了集成学习方法能够提升单类分类器的性能，同时证明了若基分类器集不经选择会导致集成后性能下降；接着指出了经典集成方法直接应用于单类分类器集成时存在基分类器多样性严重不足的问题，并提出了一种能够提高多样性的基单类分类器混合生成策略；最后从集成损失构成的角度拆分集成单类分类器的损失函数，针对性地构造了集成单类分类器修剪策略并提出一种基于混合多样性生成和修剪的单类分类器集成算法，简称为PHD-EOC。在UCI标准数

电子与信息学报 2015年2期2015-07-18

一种基于权重融合的JPEG隐写分析方法

出一种基于集成分类器的新检测方法。算法以CC-PEV为特征对图像进行描述并作为隐写分析特征；然后，随机构造若干个特征子空间，用bootstrap方法构造图像训练子集，分别进行训练得到数个基分类器；根据基分类器的分类结果赋予基分类器不同的权重，将基分类器的结果按照其权重进行融合得到最终的结果。本文对该算法进行了测试，对它的集成性、检测准确率和训练时间进行分析。实验结果表明，相对于传统的集成方法，本文方法用自举方法构造训练集、随机方法构造子特征空间、赋予基分类

液晶与显示 2015年2期2015-06-10

人脸检测的继承式集成学习方法＊

Stump）弱分类器为基础，以善于解决高维样本分类问题的集成学习算法AdaBoost为核心，以能够极大地加快检测速度的层叠结构（Cascade Structure）为翅膀，维尔纳（Viola P）和琼斯（Jones M）［1］在2001年提出的人脸检测器取得了该研究领域中的飞跃性进展。他们用AdaBoost算法在多个不同的训练集上训练出多个强分类器，再用层叠结构将它们组织成层叠分类器，大大地加快了人脸检测的速度。在这样的基本层叠分类器BCC（Basic C

计算机工程与科学 2015年1期2015-04-01

一种改进的AdaBoost人脸检测算法

VM算法训练弱分类器，并结合AdaBoost算法组成特征选择与泛化能力更好的强分类器，提出一种AdaBoost-SVM算法。Ma Songyan等［5］结合肤色检测与AdaBoost算法，采用肤色模型过滤检测图像，并用AdaBoost算法在候选区域进行精准检测。尽管这些改进使AdaBoost算法的收敛速度达到了对数级水平，但AdaBoost算法在训练强分类器的过程中删除了部分分类器(如错误率＞0.5)，对噪声数据比较敏感，尤其是有难分样本点存在时，生成的弱

桂林电子科技大学学报 2015年3期2015-04-01

基于贝叶斯分类器的骨肉瘤MRI成像辅助诊断的研究

提出利用贝叶斯分类器对骨肉瘤MRI成像进行诊断的方法。该方法将患者的骨肉瘤病灶MRI成像的纹理、颜色、粗糙度等特征进行提取，通过贝叶斯分类器对病灶进行自动分析、识别，来精确判断骨肉瘤的良恶性及肿瘤范围，从而帮助医生提高诊断的敏感性和特异性。1 贝叶斯分类器贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。贝叶斯网络中包含类节点C，其中C的取值来自于类集合(c1

长春师范大学学报 2014年4期2014-12-29

基于多分类器组合的高光谱图像波段选择方法

，构成一种智能分类器，进行高光谱遥感图像分类。吴昊等[8]将分组的概念引入波段选择中，利用条件互信息将波段分成若干组，再使用支持向量机和遗传算法相结合的搜索算法(GA－SVM)搜索出相对最优的波段组合。Yang等提出了最小估计丰度协方差(MEAC)的波段选择方法[9]，在选择过程中估计候选波段与已经选择波段的丰度协方差矩阵的迹。葛亮等为使无监督的波段选择能够更好地保留高光谱图像的鉴别信息，提出一种基于波段聚类的高光谱图像波段选择方法[10]。王立国与魏芳洁

智能系统学报 2014年3期2014-11-26

基于Adaboost的人脸检测算法研究

矩形特征组成强分类器，从而使分类器的速度大大提高。此外，构造层叠分类器，首先简单的强分类器排除大多数非人脸窗口，减轻复杂分类器的负担，进而提高速度。【关键词】Adaboost；人脸检测1.人脸特征的选取Haar-Like特征是Viola等提出的一种简单矩形特征，因类似于Haar小波而得名。Haar-Like特征的定义是由两个或多个全等的矩形相邻组合而成，特征模板内有白色和黑色两种矩形。将此特征模板的特征值定义为白色矩形像素灰度和减去黑色矩形像素灰度和。可见

电子世界 2014年12期2014-10-21

利用旋转森林变换的异构多分类器集成算法

林变换的异构多分类器集成算法毛莎莎,熊 霖,焦李成,张 爽,陈 博(西安电子科技大学智能感知与图像理解教育部重点实验室,陕西西安 710071)为了增强集成系统中各分类器之间的差异性,提出了一种使用旋转森林策略集成两种不同模型分类器的方法,即异构多分类器集成学习算法.首先采用旋转森林对原始样本集进行变换划分,获得新的样本集;然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器,并对新样本集进行分类,获得其预测标记;最

西安电子科技大学学报 2014年5期2014-07-25

一种基于置换的组合分类器剪枝方法

训练信息，组合分类器往往比单个分类器表现出更好的泛化能力，这是因为其创建有差异且具备高准确率的基分类器。构建有差异且具备高准确率组合分类器的方法有很多。例如，通过抽样为每个基分类器构建有差异的训练集；通过操纵特征基将训练集映射到不同的特征空间，进而为基分类器构建不同的训练集(如COPEN[1])；通过操纵算法的参数或结构从而构建准确且有差异的组合分类器。然而，大部分组合分类器的方法存在一个共同的问题：倾向于构建大量的基分类器，这样不但需要大量的存储空间，而

中原工学院学报 2014年4期2014-04-01

动态自适应加权的多分类器融合词义消歧模型

的构建其实就是分类器的构建。由于不同分类器在不同领域的表现效果不同，因此，近年来集成学习方法成为机器学习领域的发展趋势［1］，采用多分类器融合方法建立词义消歧模型的技术越来越受到研究者的关注，并在实际中得到应用［2－3］。多分类器融合就是通过某种规则将多个基分类器的判定结果融合起来，使得各基分类器之间相互弥补，得到系统最终的决策结果。构建多分类器融合词义消歧模型的工作一般由四步构成［4］，包括模型参数输入、基分类器的设计与选择、模型体系结构、融合规则。模型

中文信息学报 2012年1期2012-10-15

基于集成支持向量机的故障诊断方法研究

通过训练多个基分类器，并将结果按一定的方法进行集成，可以显著地提高分类系统的泛化能力，许多学者对其进行了广泛的研究，许多学者开始致力于研究集成学习的理论基础和进行算法设计［1－2］。支持向量机 (Support Vector Machines，SVM)是基于统计学习理论的一种适合高维、小样本数据分类的学习器。和传统的学习机器相比，它可以获得和可利用样本相匹配的学习能力，从而可以具有很好的推广能力，在模式识别方面有很重要的应用［3］。SVM具有较好的泛化能力

电光与控制 2012年2期2012-08-27

基于多分类器组合的遥感影像分类方法研究

083)基于多分类器组合的遥感影像分类方法研究彭正林，毛先成，刘文毅，何美香(中南大学地学与环境工程学院，长沙410083)针对遥感影像分类特点，提出了一种基于多分类器组合的遥感影像分类方法。该方法选取分类性能以及多样性最好的马氏距离、支持向量机(SVM)和最大似然等3种分类器作为子分类器，自定义规则对简单投票法、最大概率类别法以及模糊积分法进行组合，并以山西怀仁县为研究区，对基于航摄数字正射影像进行分类。结果表明，与单个子分类器中精度最高的SVM分类相比

自然资源遥感 2011年2期2011-09-07

基于多分类器融合的语音识别方法研究

立模板库、以及分类器的设计等几个步骤。计算机通过对音频采集工具获得的语音信息进行分析，求取能够反映语音本质的一系列语音特征，最后使用分类器与训练模板进行比对得出识别结果。显然，在此过程中，分类器的设计是语音识别系统性能好坏的关键。目前用于语音识别的分类方法有:采用判别函数或准则的方法;隐马尔科夫(hidden merkovmodel，HMM)模型的方法;人工神经网络(artificial neural network，ANN)的方法;支持向量机(suppo

重庆邮电大学学报(自然科学版) 2011年4期2011-02-26