基于融合决策的多分类器系统研究

论文摘要

在模式识别领域,不同的分类器可以得到不同的分类性能,但没有一种分类器能对所有应用都取得好的结果。为了提高单一分类器的识别性能,多分类器融合系统在模式识别领域得到了广泛应用。它利用了不同分类器、不同特征之间的互补性,有效的提高了系统的精度和稳定性。本文对多分类器融合系统进行了深入研究,对多分类器系统的发展及理论框架进行了分析研究。归纳整理了目前研究者提出的大量组合方法及基分类器,分别对其适应性及优缺点进行了总结,并从实验角度对这些典型方法进行了比较分析。结果表明,各种方法有着各自的适应性,多分类器系统的研究应更关注分类器之间的关系研究及系统各环节的整体改进。在上述分析研究的基础上,本文针对分类器集合的生成优化和融合环节进行了改进,设计提出了基于有证特征抽取策略的多分类器融合模型（PCAB）。PCAB通过对Bagging算法进行改进,引入有效证据以确定特征抽取规则及权重分配方案。在UCI机器学习数据集上进行试验,就单分类器性能、一些现有融合方法和PCAB进行了比较分析,实验证明,基于PCAB算法构建的多分类器系统准确性及稳定性更高。最后,使用Visual C++软件开发工具开发了一个集成多种融合算法分析的多分类器系统软件。该系统可实现单分类器及多种融合算法对数据集的结果分析,具有一定使用价值。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题目的及意义
• 1.2 课题研究现状及应用领域
• 1.2.1 课题研究现状
• 1.2.2 多分类器系统的应用领域
• 1.3 课题研究内容及组织安排
• 2 多分类器系统分析
• 2.1 多分类器系统的研究依据
• 2.2 多分类器系统构架
• 2.3 成员分类器设计
• 2.3.1 常用分类器方法介绍及分析
• 2.3.2 分类器的生成
• 2.3.3 分类器的筛选
• 2.4 融合决策方案设计
• 2.4.1 分类器融合方法对比
• 2.4.2 基于符号级的融合方法
• 2.4.3 基于排序级的融合方法
• 2.3.4 基于度量级的融合方法
• 2.5 归纳与小结
• 3 基于有证特征抽取策略的多分类器融合系统
• 3.1 数据集
• 3.1.1 UCI数据分析
• 3.1.2 数据预处理
• 3.2 系统结构设计
• 3.3 基于有证特征抽取策略的多分类器融合模型
• 3.3.1 Bagging算法
• 3.3.2 PCBA模型
• 3.3.3 PCBA算法分析
• 3.4 系统构建及模块设计
• 4 实验设计及结果分析
• 4.1 实验流程
• 4.2 实验数据
• 4.3 实验设计
• 4.3.1 数据预处理
• 4.3.2 特征分割
• 4.3.3 成员分类器
• 4.3.4 成员分类器集合构造
• 4.3.5 分类器融合规则
• 4.4 结果及分析
• 4.4.1 不同特征抽取策略分析
• 4.4.2 训练专家评定等级
• 4.4.3 多种融合策略对比分析
• 5 总结与展望
• 致谢
• 参考文献