基于协同学的人脸分类集成

提出了一种基于协同学的人脸分类集成方法.选择不同的训练样本作为原型模型,以增加原型模型的多样性;识别时,将序参量转化为后验概率,分别运用投票法和基于和的后验概率集成方法进行识别,并提出了一种改进的基于和的后验概率集成方法,来提高集成的效果.另外,将核主分量分析和协同模式识别进行结合,在运用协同模式识别之前,先采用核主分量分析获得原始图像的最优非线性表示,以提高模式的可分性,并消除图像冗余信息的影响,然后再进行协同人脸分类.对Y a le人脸库中的图像进行识别实验,结果表明所提方法的有效性,取得了比经典的协同模式识别方法和核主成分分析更好的结果.     

基于多特征集成分类器的人脸表情识别

提出基于多特征集成分类器的人脸表情识别新算法。新算法首先对预处理后的人脸表情图像通过3种不同的特征提取方法来提取不同类型的表情特征,然后对不同特征构造不同的分类器,最后构造一个基于神经网络的集成分类器模型,对这3个分类器的输出进行决策融合,从而实现人脸表情的最终识别。在JAFFE人脸表情数据库中的试验结果表明,所提算法的识别效果优于单个特征和单一的分类器。     

汉字识别多分类器集成的新方法

从信息熵的角度分析了多分类器集成的重要性，提出了一种用于汉字识别的多分类器集成的新方法——综合识别法。该方法充分考虑到各分类器的特性，在保证效率的同时，较好地改善了用单个分类器识别低质量文本时误识率较高的不足，使系统误识率下降了７４％，拒识率下降了２７％。提出了一种基于惩罚函数的确定各分类器拒识门限的方法，该方法既可灵活地确定系统的识别率、误识率，又避免了收集巨量训练样本的工作。     

基于多分类器融合的人脸识别方法

提出了一种融合整体和局部信息进行人脸识别的新方法。首先利用DCT LDA方法提取表达人脸信息能力强的左眼、右眼和嘴巴的局部特征,利用F isherface方法和简单频谱脸方法提取人脸的整体特征,然后应用多分类器组合规则融合整体和局部特征,实验结果表明利用加法融合规则在ORL和FERET数据库上识别率分别达到98.45%和90.79%,说明了该方法的有效性,同时也表明将多分类组合应用于人脸识别是一种比较可行的思路。     

基于自适应权值的多分类器融合方法

提出了一种类似于聚类分析的融合方法 ,它通过分析样本在特征空间的分布 ,来估计分类器分类结果的可靠性 ,并根据各个样本的具体情况自适应地为各分类器赋予权值 ,从数据融合的层次上来说 ,这是一种介于特征级和决策级的融合方法 .     

位平面分解的人脸识别集成方法研究

研究了基于集成技术的人脸识别,主要包括集成个体分类器的生成与分类结果的融合.为了提高分类器个体间的差异性,通过位平面分解及移动窗口技术生成基分类器,然后对所分解模式的各层进行融合,以确定最后的决策,这些融合方法包括乘法规则、和规则、多数投票规则、最大值规则、最小值规则与中值规则.另外,针对ORL数据库,实验研究了不同融合方法的人脸识别的性能,并对不同的人脸识别方法的性能进行了比较.结果表明,在基于位平面分解的人脸识别集成方法中,应用和规则的融合方法,其性能也优于其他的人脸识别方法.     

一种基于特征差异度和SVM投票机制的数字音乐语音情感识别算法

针对数字音乐语音情感识别问题,提出一种基于特征差异度和SVM投票机制进行识别的方法.该方法不仅降低了特征向量的维度,而且保留了足够的能够描述数字音乐语音不同情感之间差异的特征.同时,该方法利用多个二分SVM分类器进行投票,减少了每个分类器的权重,从而降低了误差.实验结果表明,该方法能够有效地提高识别准确率.     

采用多分类器集成方法的带钢表面缺陷图像识别

现有带钢表面缺陷在线识别系统中单个分类器对部分缺陷识别率不高,并且对训练样本依赖性较大;针对这一问题,提出了一种基于并行多分类器集成技术的带钢缺陷图像识别方法.该方法选择LVQ神经网络、RBF神经网络和支持向量机作为基分类器,应用加权投票法对基分类器进行集成,从而实现基分类器能力互补.实验表明,采用多分类器集成的带钢表面缺陷图像识别方法可以更准确地对带钢常出现的边缘锯齿、焊缝、夹杂、抬头纹等缺陷进行识别,能够得到相当或优于任何单个分类器的分类精度,总体识别率达到96%以上.     

学习相关源证据

将两个相关证据看成是一个相关源证据与两个独立源证据正交合成的结果,这两个相关证据的合成就归结为这3个相互独立的源证据的正交合成。利用证据理论组合相关多分类器,每个分类器提供的证据是相关的,利用遗算法从样本中学习最优的相关源证据,基于合成证据确定最终的组合分类结果。字符识别实验结果表明,这种相关证据模型能有效利用分类器之间的相关性,从而能提高多分类器的组合识别性能。     

基于多分类器融合的语音识别方法研究

针对语音识别性能提高的问题,提出了一种基于多分类器融合的语音识别方法,该方法使用支持向量机(support vector machine,SVM),RBF神经网络与贝叶斯网络作为成员分类器,根据样本库中抽取的校验集计算各成员分类器的权值,以加权评分的投票策略进行决策融合.实验结果表明,通过多分类器融合的识别结果明显优于...     

基于聚类技术的集成学习方法研究

研究了基于聚类技术提高分类器差异性的方法.通过Bootstrap技术与分类器学习算法训练分类器模型,利用分类器在验证集上的分类结果作为聚类的数据对象;然后应用聚类算法对这些数据聚类,并在每个簇中选择分类器代表模型,以此构成集成学习的成员;最后应用融合方法实验研究了基于聚类技术提高差异性的集成学习性能,并与集成学习方法bagging,adaboost进行了实验比较.     

一种基于粒子群算法的多重决策树分类器融合方法

针对数据挖掘中的分类问题,根据多分类器融合的思想,提出一种基于粒子群优化算法的多重决策树分类器融合方法。先将概率度量水平的多重决策树进行线性组合,然后在融合算法中采用粒子群算法优化连接权值矩阵。并在UCI标准数据集上对模型进行了实验研究。结果表明该融合分类方法比单个决策树分类方法具有更高的分类精度。     

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。     

基于层次的分类器组合

对传统的串行、并行组合方式的分析基础上，该文提出一种基于层次的分类器组合方式，并以手写体数字识别为例，选取了8个不同信息层次的分类器进行组合，得到最终分类结果如下：正确识别率为97．15％，错误率为0．75％，拒识率为2．10％，可靠性为99．234％。实验结果表明，此种分类器组合方式较传统的串行、并行组合方式在性能上有所提高。     

一种基于维度约减的快速人脸检测方法

针对视频监控中的高维度和复杂环境的困难,文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空间进行降维,并以PCA特征建立误分率最小化弱分类器,最后使用Adaboost算法提升弱分类器性能,将所有已训练的弱分类器联合成一个强分类器．实验证明,在正面人脸样本和具有复杂表情变化的人脸测试集上,该方法可以得到很好的检测结果．     

Evaluation of Multistrategy Classifiers for Heterogeneous Ontology Matching On the Semantic Web

Introduction ThecurrentHTML basedWebismainlydesignedfor humanstobrowseanduse.Themajorityofthewebpages areinhumanreadableformatonly,somachinescannot understandandprocessthisinformation,andmuchofthe potentialofthewebhassofarremaineduntapped.The traditionalwebhasreacheditscrucialpoint.TimBerners Lee,inventoroftheweb,hascoinedthetermSemantic Webtodescribetheapproachthataugmentthewebwith languagesthatmakethemeaningofwebpagesexplicit[1].Thevisioninthesemanticwebcanberegardedasdata interoperation…     

一种识别手写字符的多分类器集成方法

提出了一个识别手写字符的综合网络集成模型,该模型由2个B-小波神经网络分类器和一个Morlet-小波神经网络分类器构成,实验的结果充分显示了该方法的有效性。     

基于最大池化稀疏编码的煤岩识别方法

针对现今煤岩图像识别方法的缺乏与不足,为了挖掘新的煤岩图像识别方法以及更好地处理高维煤岩图像数据,提出了基于最大池化稀疏编码的煤岩识别方法.本方法在提取煤岩图像特征时加入了池化操作,在分类识别时采用了集成分类器,即多个弱分类器组成一个强分类器.实验结果表明:最大池化稀疏编码的特征提取方式能简单有效表达煤岩图像的纹理特征,大大增强煤岩图像的可区分性,获得较高的识别率,并且具有良好的识别稳定性.研究结果可为煤岩界面的自动识别提供新的思路和方法.     

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器，即朴素(naIve)贝叶斯分类器、贝叶斯网络分类器和TAN(tree augmented Bayesian)分类器；发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的，因此在所有树形分类器中TAN分类器是最优的．     

Recognition of Chinese Organization Name Using Co-training

Chinese organization name recognition is hard and important in natural language processing. To reduce tagged corpus and use untagged corpus, we presented combing Co-trainins with support vector machines (SVM) and conditional random fields (CRF) to improve recognition results. Based on principles of uncorrelated and compatible, we constructed different classifiers from different views within SVM or CRF alone and combination of these two models. And we modified a heuristic untagged samples selection algorithm to reduce time complexity. Experimental results show that under the same tagged data, Co-training has 10% F-measure higher than using SVM or CRF alone; under the same F-measure, Co-training saves at most 70% of tagged data to achieve the same performance.