混合遗传算法设计方法的探讨

针对线性分类器这一狭义模式识别问题,分析了影响基于感知器的梯度算法的线性分类器的收敛性问题,提出了一种遗传算法和梯度算法相结合的权值训练方法,用于线性分类器的参数设计。给出了一种衡量算法优劣的标准,并进行了仿真研究。     

线性模式分类器的进一步研究

本文在最小均方误差的准则下,推导出了模式分类中样本特征向量的均值、方差及协方差与超平面之关系方程式。利用此方程式,不仅可立即将分类中的超平面求出;而且对于样本的特征向量以一定规律变化的情况,也能较快地确定其超平面。对于其他准则,这种方法是较实用的。     

基于混合遗传训练方法的分类器参数设计

针对分类器这一狭义模式识别问题,分析了基于多层前向神经网络（ＭＦＮＮ）实现的复杂性．提出了一种混合遗传算法（ＧＡ）和数学规划的权值训练方法,用于模式分类器的参数设计,并进行了仿真研究．     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

分类器模拟算法及其应用

针对标准数据集在评估多分类器系统的组合方法时存在的不足,设计了一种新的分类器模拟算法.该算法利用分类器的识别率建立混淆矩阵,由混淆矩阵生成基分类器的决策,进而结合分类器之间的相关性度量生成所有的模拟数据.通过实验评估表明,该算法能够模拟任意多个分类器和任意多个模式类别的数据,且能够表达出分类器之间的关联性.又应用生成的模拟数据集对多数投票和堆叠泛化这2种组合方法进行了实验,结果表明分类器之间的负相关有助于提高系统的性能,特别是当单个分类器识别率取0.8、关联度从0.829 5降至-0.484 7时,多数投票和堆叠泛化的性能分别提高了14.98%和41.99%.     

基于共轭梯度法的函数优化混合遗传算法

综合遗传算法的全局搜索能力和共轭梯度法的局部搜索能力,提出了一种混合算法,该算法具有全局最优性和收敛性。同时,数值仿真表明算法是有效的。     

给水管网优化设计的混合遗传算法

利用遗传算法全局优化和广义简约梯度法(GRG法)局部收敛速度快的特点,将两者有机结合,构造出一种混合遗传算法应用于新建环状给水管网的优化设计．同时针对遗传算法,采用了实数编码技术,基于扩大采样空间的随机采样、惩罚策略、算术交叉及动态变异技术．最后结合工程实例验证了混合算法的高效性。     

应用结构模式识别技术设计图像分类器初探

简要介绍了在应用MATIAB的SOBEL图像边缘检测技术的基础上，利用FREEMAN链码技术得到图像基元后，对外形轮廓形状不一的物体(如苹果和香蕉)设计分类器的程序设计过程。     

计算周期序列k-错线性复杂度的混合遗传算法

周期序列的线性复杂度及其稳定性是序列密码评价的重要度量指标.k-错线性复杂度是线性复杂度稳定性的一个重要评价指标.然而,目前对于大部分周期序列(除周期为2~n、p~n、2p~n外),尚无有效的算法求解其k-错线性复杂度.因此,本文提出了一种混合的遗传算法来近似计算任意周期序列的k-错线性复杂度.采用轮盘赌、最优保留策略、两点交叉和单点随机变异,并引入自适应算子来调整交叉概率和变异概率,以保证遗传算法的收敛性.通过并行计算适应度函数来提高算法的效率,同时与模拟退火算法相结合,加速算法收敛并避免早熟.结果表明:当k8且周期小于256时,k-错线性复杂度的实验值仅比精确值高8%.     

基于覆盖算法的分类器的设计与应用

覆盖算法和支持向量机是两种重要的机器学习分类方法,但长期以来一直缺少基于覆盖算法的通用分类器,在一定程度上阻碍了覆盖算法的推广.论文设计和实现了基于覆盖算法的通用分类器J Cover,该分类器有友好的人机交互界面,能对数值型数据集进行有效分类,并给出详细的实验结果.通过与LIBSVM的对比实验表明J Cover在识别率、泛化能力和性能上具有优越性.     

混合遗传算法的收敛性研究

近年来,一种新的优化算法－－遗传算法（ＧＡ）正迅速发展成为一个十分活跃的研究领域。ＧＡ以其高效、实用的特点在各个领域得到广泛的应用,取得了良好的效果,并越来越受到人们的重视,由于ＧＡ存在过早收敛的问题。本文提出了克服此问题的混合遗传算法（ＨＧＡ）,并用Ｍａｒｋｏｖ链理论证明了ＨＧＡ的收敛性。     

混合遗传算法概述

本文首先介绍遗传算法的一些问题,根据遗传算法、人工免疫算法和模拟退火算法的特点,将三种算法有机结合起来,提出混合遗传算法,介绍了其基本流程。     

复杂过程分析的模糊聚类分类器设计及其性能

本文采用模式识别方法推断烧结矿质量。在给出模糊系统聚类分析法基础上，用软件实现了基于模糊聚类分类器和动态聚类分类器，并用现场实测的样本采用“留一法”分别对这两种分类器性能进行检验。结果表明：模糊聚类分析法对于先验知识较少，样本量不大时，性能较佳。     

一个基于粒子群算法的淋巴瘤形态参数分类器

对自适应粒子群算法引入变异算子,并对其进行改进,将其应用到淋巴瘤形态参数的分类问题上.主要讨论了基于粒子群算法的淋巴瘤形态参数分类器的编码、适应度函数的构造及分类器的设计.实验结果表明,该方法能有效地进行淋巴瘤细胞形态参数的分类.     

基于最小分类错误训练的神经网络分类器设计

提出了一种基于最小分类错误（MCE）训练的采用多层感知器（MLP）结构的模式分类器设计方法。这是一种以分类错误率最小化为目标的模式分类器设计方法，将它用于MLP分类器设计能够进一步提高分类器的性能。采用MLP实现MCE训练中的分类损失计算，从而将MCE训练过程与MLP分类器设计统一在一个神经网络结构中，通过BP算法予以实现。这不仅能达到提高MLP分类器性能的目的，而且简化了它的设计过程。     

线性图形的拓扑性质检测算法研究

拓扑性质具有对图形的平移、伸缩、旋转的不变性。因此，拓扑性质检测在机器视觉及模式识别领域有十分重要的意义。本文以着色算法为基础，给出了一种可以检测线性图形拓扑性质的算法。     

基于模拟退火的混合遗传算法

分析了遗传算法和模拟算法的优缺点,并将两种算法进行混合,提出一种基于模拟退火的混合遗传算法以弥补两个算法的不足,理论分析和仿真实验表明该方法的有效性和可行性。     

混合遗传算法求解双准则线性运输问题

针对传统的遗传算法求解双准则线性运输问题时非劣解容易陷入局部区域的不足之处,提出一种改进的混合遗传算法。该算法分别从初始化染色体、非劣解的寻找和选择算子三个方面对传统遗传算法进行改进。并且在选择算子中结合使用权重系数变化和最小境技术保证可行解的收敛性,增加非劣解的多样性,使所求的非劣解具有一定代表性。最后通过计算实例结果,表明改进的混合遗传算法能获得更多的有效非劣解。