一种基于相关证据的数据融合算法

根据Dempster-Shafer证据理论和相关证据合成方法，将证据合成算法应用于神经网络分类器中，以提高分类器的分类精度。在UCI数据库的分类中的应用结果，证明了该方法的有效性。     

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。     

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法.首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类.实验结果表明,白细胞分类准确率由最初微调训练的83.26％,随着迁移模型的优化提升为90.43％,最后通过组合分类器再次提升为93.52％,可以在临床实践中帮助医生提高诊断的准确率和效率.     

基于LVQ神经网络的冷轧带钢表面缺陷分类方法

将LVQ神经网络用于冷轧带钢表面缺陷的自动分类中,解决了以往分类方法在多噜缺陷模式类型情况下耗时多和准确率低的问题.对现场采集到的14种主要缺陷类型进行了实验.实验结果表明,基于LVQ神经网络的分类器训练与分类的时间短,在多缺陷种类分类的过程中准确率能得到保证.     

隐马尔可夫模型在被动声信号分类中的应用

为了提高被动声目标识别率，该文研究了隐马尔可夫模型在被动声信号分类中的应用问题，然后，又提出了２种混合分类器：特征矢量混合的ＨＭＭ分类器和ＨＭＭ／ＭＬＰＮＮ（多层感知机神经网络）混合模型分类器。结果表明，这２种混合分类器在性能上都优于单个特定的分类器，它们在被动声信号分类中具有良好的应用前景。     

基于Dempster—shafer理论的多个神经网络分类器融合算法

用遗传算法优化神经网络分类器的连接权系数，避免采用BP算法存在易于陷入局部极值，使每个神经网络分类器的分类接近于理想状态，由于每个分类器的特征输入不同，不能被一个分类器识别的模式，却可能被另一个分类器识别，为了提高模式识别的精度，可将一个模式识别问题由多个分类器来完成，将每一个分类器的输出结果作为一条证据，确定各分类器的基本概率指派函数，再用证据组合理论融合证据信息，可以提高分类的精度和避免某一个神经网络遭到破坏而使整个系统陷于瘫痪状态。     

一种改进的BP-Adaboost算法及在雷达多目标分类上的应用

基于BP-Adaboost的目标分类算法用于雷达目标分类具有良好的效果.随着训练样本以及测试样本数增加,经典"一对多(One vs.Rest,OvR)"BP-Adaboost算法所需用时也随之增加.提出一种改进的多分类BP-Adaboost算法应用在雷达多目标分类上,在提高分类准确率的同时,有效地解决经典算法在多分类上时间开销过大的问题.该方法采用二进制方法重新表示样本数据类别,使用Adaboost算法将多个BP神经网络弱分类器集成起来学习,通过修改经典算法中的损失函数连续调整训练样本分布和弱分类器的权重,最终形成一个强分类器.对雷达高分辨率距离像(High Resolution Range Profile,HRRP)数据集进行分类仿真结果表明,相比于单个BP神经网络基学习器,所提算法的分类准确率提高了5%~10%,相比于经典的"一对多"BP-Adaboost算法,该算法所需用时仅为传统算法的1/2~1/3.     

基于CNN-GCN模型的扫描电镜图像分类

通过对矿物扫描电镜图像进行分类与鉴定，能够获取矿物的微观信息，确定矿物的组成与类别，对于油气田生、储、盖类型的研究具有重要的意义.由于在一幅图像之中有时不止有一种矿物，且不同矿物之间具有相关性或共生性的特性，而普通的神经网络只提取图像特征或只注意图像局部的特征关系，忽略了矿物之间的相关性.因此如何利用标签之间的关系进行更优秀的多标签图像分类成为扫描电镜图像分类的重要任务.鉴于上述情况，通过构建基于Resnet50的图像特征学习模块与基于图卷积神经网络的分类器模块构成的引入图卷积的卷积神经网络模型可以很好地完成上述任务.使用卷积神经网络模块提取图像特征，并利用GCN模块学习矿物标签之间的相关性，达到提高分类准确率的目的 .此模型相比普通的CNN模型准确率提高了5%，相比引入注意力机制的CNN模型，此模型的准确率仍有3%的优势.实验表明，CNN与GCN相结合的分类模型在扫描电镜数据集分类任务中优于其他的分类模型.     

贝叶斯与k-近邻相结合的文本分类方法

为了提高分类器的精度,对分类器的结构进行了改进,提出了一种基于贝叶斯和k-近邻组合分类器的模型,该分类方法结合了贝叶斯方法分类速度较快和k-近邻方法分类准确率较高的优点.实验结果表明,该方法在保证分类速度的前提下,有效地提高了分类准确率.     

贝叶斯分类器的集成学习方法及其在图像标注中的应用

针对贝叶斯(Naive Bayes,NB)分类器的集成学习方法,研究如何提高分类器集成中各成员分类器之间的多样性,同时提高分类器系统准确率。实现方法是把训练集的所有属性特征划分特征子集,并处理所划分的属性特征子集,最后为每个成员分类器构造出不同的完整特征属性训练集。研究结果表明采用的NB集成方法(Ensemble ofNaive Bayes,ENB)提高了分类性能,把ENB机器学习方法应用到自动图像标注中也获得了很好的效果。     

集成学习在电网假数据入侵检测中的应用

人工智能和机器学习的发展为入侵电网数据采集与监视控制(supervisory control and data ac-quisition,SCADA)系统的虚假数据检测,提供了新的高效解决方案.目前,针对运用机器学习中的单分类器对电网中虚假数据的检测,出现的准确率低、误检率高、模型区分能力差等问题,提出了一种基于集成学...     

一种新的动态SVM选择集成算法

针对动态选择集成算法存在当局部分类器无法对待测样本正确分类时避免错分的问题,提出基于差异聚类的动态SVM选择集成算法。算法首先对训练样本实施聚类,对于每个聚类,算法根据精度及差异度选择合适的分类器进行集成,并根据这些分类器集成结果为每个聚类标定错分样本区,同时额外为之设计一组分类器集合。在测试过程中,根据待测样本所属子聚类及在子聚类中离错分样本区的远近,选择合适的分类器集合为之分类,尽最大可能的减少由上一问题所带来的盲区。在UCI数据集上与Bagging-SVM算法及文献［10］所提算法比较,使用该算法在保证测试速度的同时,能有效提高分类精度。     

基于边际的组合分类器选择算法

研究表明,具有较大边际分别的组合分类器泛化性能更高.根据该结论,论文构造了一个新的基于边际的度量指标(MM)以充分考虑基分类器和组合分类器的分类能力,进而提出了一种新的组合分类器选择方法.该方法初始化组合分类器为空(或满),迭代的加入(或移除)具有最大(或最小)MM值的分类器,以降低组合分类器规模并提高它的分类准确率.在随机选择的24个UCI数据集上的实验表明,与其他一些高级的贪心组合选择算法相比,该方法具有更好的泛化能力.     

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器...     

基于集成学习和元胞自动机的城市地理模拟

集成学习通过将若干弱分类器集成以取得比单个弱分类器更好的性能，是机器学习的重要研究方向。针对常用城市地理模拟系统中元胞自动机转换规则获取算法的局限性，本文提出基于集成学习算法的元胞自动机，并将其应用于城市建设用地的动态模拟。以决策树作为弱分类器，应用集成学习算法和元胞自动机，对东莞市2001年到2005年的建设用地时空格局进行了模拟，取得了较好的模拟效果。精度评估结果表明，经集成学习后的决策树比单个决策树对城市建设用地动态的模拟精度更高，算法泛化能力更好。     

产生式与判别式组合分类器学习算法

在AdaBoost集成方法的基础上,研究了一种产生式与判别式模型组合的方法。该算法在每轮中同时学习一个产生式分类器和一个判别式分类器,选择误差率较小的作为个体分类器,然后对所有个体分类器采用加权的方法得到最终分类器。实验结果表明,该方法在准确率和收敛速度上都具有很好的效果。     

基于多分类器集成的数据流分类方法

概念漂移给数据流挖掘工作带来了很大阻碍.经典的SEA算法通过动态裁剪集成分类器的方式有效地捕获到概念漂移.其裁剪集成分类器的策略是直接删除掉一个权值最低的基础分类器,这意味着算法抛弃了一个已经学习了的概念,当该概念再出现时还需再学习,导致算法效率的降低.现提出了一种能够提取旧概念的算法(ECRRC),并给出了存储和提取概念的具体方法.面对概念的重复出现,ECRRC不用再学习就能够完成数据流分类.实验结果表明,ECRRC能够提高数据流分类效率.     

采用负相关学习的SVM集成算法

为了平衡集成学习中多样性与准确性之间的关系,并提高决策分类器的泛化能力,提出一种基于负相关学习和AdaBoost算法的支持向量机(SVM)集成学习方法.将负相关学习理论融合到AdaBoost-SVM的训练过程中,利用负相关学习理论计算基分类器间的相关性,并根据相关性的值自适应调整基分类器的权重,进而得到加权后的决策分类器.在UCI数据集中进行仿真,结果表明:相较于传统的负相关集成学习算法和AdaBoost-SVM算法,所提出的方法分类准确率更高,泛化能力更好.     

改进的集成神经网络学习优化研究

AdaBoosting算法是一种集成学习算法，用来提高不稳定学习器的泛化能力．本文基于神经网络是一种不稳定分类器的机理结合最小二乘算法和遗传算法，提出了对集成神经网络分类器权值进行优化的新方法．