多源不确定信息融合中的冲突证据快速合成方法

D-S证据组合规则在处理高冲突信息时,会得出与直觉相反的结论以及证据组合时计算量呈指数增长等问题。针对组合规则的不足,许多改进方法已提出,但各个方法都仍存在其局限性,如Murphy方法在很大程度上解决了冲突证据问题,并未解决计算量指数爆炸问题。基于对Murphy方法深入研究,归纳出相同证据的组合规律,给出了Murphy方法快速表达式,从而提出了一种快速的Murphy组合规则(fast Murphy combination rule, FMCR)。实验表明,新的组合规则在处理高冲突和多源不确定信息融合问题方面都是有效的,在保持Murphy组合规则计算正确性同时,显著地提高了计算速度。     

一种基于距离比值的支持向量机增量训练算法

由于支持向量机具有较好地学习性能和泛化能力,目前已经得到了广泛的应用。如何使支持向量机进行有效的增量学习是目前支持向量机应用中需要解决的问题。深入研究了支持向量分布特点,提出了一种新的支持向量机增量训练淘汰机制——距离比值算法。该算法根据遗忘规则,设定一个合适的参数,按距离比值法中的定义计算各个样本中心距离与其到最优分类面距离的比值,舍弃对后续训练影响不大的样本,即可对训练数据进行有效的淘汰。对标准数据集的实验结果表明,使用该方法进行增量训练在保证分类精度的同时,能有效地提高训练速度。     

ECOC多类分类中基分类器non-competence问题研究

在纠错输出编码(error-correcting output code, ECOC)多类分类中,当待识别样本的真实类别不属于对应二类子类划分时,训练得到的基分类器将不具备对此类样本进行分类的能力,此时的基分类器在解码融合时面临着non-competence问题。如何衡量基分类器是否具备对样本的分类能力,以及如果不具备,如何减少此种情况下对分类效果的影响是基于ECOC多类分类面临的新问题。针对解码框架中non-competent基分类器的分类融合问题,提出一种基于基分类器对样本是否具有分类能力的加权解码方法。该方法利用支持向量数据描述衡量待识别样本与各划分子类之间的距离,同时利用加权解码,通过对基分类器权重的学习，进而增强对类别拥有分类能力的基分类器的影响,减少不具备分类能力的基分类器产生的误差。基于UCI数据集的实验表明所提方法的有效性和实用性。     

基于模糊积分的支持向量机动态集成方法

确定模糊密度是应用模糊积分进行融合的核心问题。分析了目前存在的各类模糊密度赋值方法存在的不足,在探索证据相互关系的基础上,提出了证据支持度的概念,并基于证据支持度给出了一种动态模糊密度赋值方法,分析了分类器之间的差异性对证据支持度的影响,引入了影响因子,进一步完善了证据支持度的内涵。实验表明,本文算法较之单支持向量机、基于投票的支持向量机、以基分类器精度作为模糊密度的静态模糊积分支持向量机集成以及一种基于自适应模糊密度赋值的模糊积分方法用于支持向量机集成,分类精度均得到提升。     

基于证据分类的冲突证据合成方法

证据分类策略能够很好地避免冲突证据融合问题。借鉴证据分类的思想,定义证据-属性支持度、分类门限、证据可信度,将证据分类,保证同一类别的证据具有较好的一致性。在同一类别内采用D-S进行证据合成,并根据各类证据的个数及证据不确定度给出每类证据合成结果的权重,并采用加权合成方法给后最终的合成结果。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。