一种基于聚类和AdaBoost的自适应集成算法

为同时保证基分类器的准确性和差异性, 提出一种基于聚类和AdaBoost的自适应集成算法. 首先利用聚类算法将训练样本分成多个类簇; 然后分别在每个类簇上进行AdaBoost训练并得到一组分类器; 最后按加权投票策略进行分类器的集成. 每个分类器的权重是自适应的, 且为基于测试样本与每个类簇的相似性及分类器对此测试样本的分类置信度计算得到. 实验结果表明, 与AdaBoost,Bagging(bootstrap aggregating)和随机森林等代表性集成算法相比, 该算法可取得更高的分类精度.     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于out-of-bag样本的随机森林算法的超参数估计

随机森林是一种有效的分类树集成算法,但为了使它具有较高的预测精度,要采用某种方法确定其超参数的最优值.在不额外增加计算复杂性的前提下,提出了一种基于out-of-bag样本估计其超参数取值的方法.仿真试验的结果表明,利用文中提出的方法所选取的超参数在多数情况下都能使随机森林算法的分类效果达到最优.     

基于度量学习的邻域k凸包集成方法

k局部凸包分类方法通过改进k近邻算法在处理小样本问题时的决策边界而显著提高分类性能,k子凸包分类方法通过克服k凸包分类对类数和样本环状分布的敏感性而改善了分类性能。但是,该方法仍然对样本距离度量方法敏感,并且在k邻域内不同类的样本数经常严重失衡,导致分类性能下降。针对上述问题,文章提出了一种邻域k凸包分类方法,并通过引入距离度量学习和集成学习技术来提高算法对样本空间度量的鲁棒性。大量实验表明,文中提出的基于度量学习的邻域k凸包集成方法具有显著的分类性能优势。     

高师音乐专业民乐集体课教学浅析

高等师范音乐专业开设的民乐选修课,不仅提高了大学生的音乐技能和素养,而且在很大程度上推动了我国民族器乐的传承和发展.本文从现状分析、教法更新和重视合奏等方面,对高师音乐专业民乐集体课教学进行了探索.     

IP报文分类识别中的神经网络集成技术研究

Intemet网络应用的发展要求路由器支持服务质量（QoS）控制,一个公共的要求是路由器能够基于报文头的某些字段对报文进行分类。本文针对IP报文分类提出了一种结合IP报文头特征和多级神经网络集成技术的IP报文分类识别方法。并在此基础上给出了相应的算法。     

集群SVM大规模数据分类算法

为了提高SVM在大规模数据集上的训练效率和检测精度,对训练数据预处理后进行无监督聚类,通过一定规则选取对训练SVM有用的样本向量,并结合改进的AdaBoost算法来增强SVM在大规模数据的分类和泛化能力,最后通过Kdd Cup 99数据进行实验验证算法性能.     

基于新型进化规划的异构神经网络集成算法

提出一种基于新型进化规划的异构神经网络集成算法。首先利用改进的进化规划,克服传统的进化规划及EPNet模型的不足,生成多个异构的最优网络,然后对异构网络进行组合求解。该集成算法充分利用了Bootstrap采样的天然特性实现了网络间的异构和差异度,同时又保证了单个成员网络的精度,克服了传统Bagging,Boosting算法中成员网络结构固定,缺乏个体精度的缺点。通过仿真实验证明,该方法较传统集成算法具有更好的泛化性能并减少了传统集成算法中的随机不确定因素。     

智能车辆在城区交通场景中的多类障碍物识别

针对智能车辆在城区交通场景中的前向障碍物识别,提出了一种基于集成学习改进的二叉树支持向量机(BT-SVM)的多类分类方法。根据城区交通场景中各类障碍物的出现概率、模式类别差异,设计了适用于智能车辆障碍物识别的BT-SVM树型结构;对每个节点分类器,采用AdaBoost集成学习方法进行改进,有效减少了差错积累误差,提高了分类精度和泛化能力。试验表明该方法能有效地对城区交通场景中6类常规障碍物模式进行实时在线识别。     

ENSO ensemble prediction: Initial error perturbations vs. model error perturbations

Based on our developed ENSO （El Nino-Southern Oscillation） ensemble prediction system （EPS）, the impacts of stochastic initial-error and model-error perturbations on ENSO ensemble predictions are examined and discussed by performing four sets of 14-a retrospective forecast experiments in both a deterministic and probabilistic sense, These forecast schemes are differentiated by whether they con- sidered the initial or model stochastic perturbations, The comparison results suggest that the sto- chastic model-error perturbations, which are added into the modeled physical fields to mainly represent the uncertainties of the physical model, have significant, positive impacts on improving the ensemble prediction skills during the entire 12-month forecast process, However, the stochastic initial-error perturbations have relatively small impacts on the ensemble prediction system, and its impacts are mainly focusing on the first 3-month predictions.