论文摘要
由于多分类器系统能够达到比个体分类器更好的分类性能和鲁棒性,该技术受到了越来越多的关注并取得了较大的进展,同时也带来了巨大挑战。越来越多的研究人员试图回答下列问题:如何有效地利用各分类器的性能优势?如何借助中间概念寻找分类器的性能优势区域等等?为探索多分类器系统的有效性,本文从研究分类器融合技术入手,详细地介绍了现有分类器融合算法,并对它们的特性进行比较。然后从组合与选择两种不同策略出发,提出了两种侧重点不同的多分类器融合算法。一种是利用各单分类器在类一级上的性能优势,提出了基于专家类评估的融合算法,并结合实验对其进行探索性而非推理性分析,同时与成员分类器相比较,其结果说明了本算法的有效性和鲁棒性。另一种是基于多分类器行为的算法(DRC),它以多分类器行为向量为中间媒介进行空间转换,实现数据集的约简与学习模型的构建。通过实验对DRC算法进行评估,并与其成员分类算法在原始特征空间与转换空间上的结果进行比较,表明本算法的综合性能优于各成员分类算法。成员分类器的独立性假设是分类器组合技术的难点之一,也是热点之一。本课题在结合各单分类器在类一级上的分类优势及综合性能的基础上,还提出了一种基于信息熵的单分类器选择策略,将其应用于融合系统的设计中,并在一些实际应用数据集上验证该方法的可行性。
论文目录
摘要Abstract中文文摘第1章 绪论1.1 立题依据1.2 研究目标与内容1.3 研究路线1.4 论文的章节安排1.5 分类技术的国内外研究状况1.5.1 基于判别分析的方法1.5.2 基于机器学习思路的方法1.5.3 基于神经网络的方法1.5.4 基于层次的方法1.5.5 基于聚类的方法1.5.6 其他方法第2章 多分类器融合系统的基础理论2.1 多分类器融合研究的产生和现状2.2 分类器输出信息2.3 多分类器融合类型2.3.1 级联分类器2.3.2 并联分类器2.4 多分类器融合策略2.4.1 多分类器组合系统2.4.2 多分类器选择系统2.4.3 组合与选择的比较2.5 不同输出层上的信息融合2.5.1 抽象层上的融合2.5.1.1 基于投票规则的融合2.5.1.2 基于简单函数的融合2.5.1.3 基于证据理论的融合2.5.1.4 基于BKS空间的融合2.5.2 排序层、度量层上的融合2.5.2.1 排序层、度量层上融合的分析2.5.2.2 基于贝叶斯平均理论的融合2.5.2.3 基于模糊积分的融合2.5.3 其它方法2.6 多分类器融合系统的应用与存在问题2.7 本章小结第3章 基于专家类评估的系统设计3.1 多分类器组合的框架3.1.1 成员分类器的生成方法3.1.2 成员分类器的组合方法3.1.3 多分类器组合系统构建的基本步骤3.2 多分类器组合系统的构建3.2.1 基于专家类优势的组合系统的主要思想3.2.2 以信息熵为基础的分类器选择策略3.2.3 基于专家类评估优势的组合系统3.3 实验环境与评估3.3.1 实验数据集3.3.2 分类器3.3.3 实验结果与评估3.4 本章小结第4章 基于多分类器行为的系统设计4.1 数据约简4.1.1 选择技术4.1.2 替代技术4.1.3 邻近关系与相似度4.2 分类器选择策略4.2.1 分类器选择算法4.2.2 局部分类精度4.3 基于多分类器行为的数据约简与分类4.3.1 DRC算法的主要思想4.3.2 DRC算法的实现4.3.3 DRC算法分析4.4 实验分析与评价4.4.1 实验数据集4.4.2 实验评估4.5 本章小结第5章 结语与展望5.1 本文工作总结5.2 今后工作展望参考文献攻读学位期间承担的科研项目与主要成果致谢个人简历
相关论文文献
标签:分类器论文; 融合论文; 分类算法论文; 分类器组合论文; 分类器选择论文;