2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩65頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、近年來,多分類器融合技術(shù)已成為模式識別和機(jī)器學(xué)習(xí)領(lǐng)域研究的熱點(diǎn)之一。多分類器融合比單個(gè)分類器更有效的理由是融合中的分類器不僅是精確的而且是錯(cuò)誤差異的,在保證分類能力的前提下,融合中個(gè)體分類器數(shù)目越少,系統(tǒng)的復(fù)雜性越低。早期構(gòu)造的個(gè)體分類器是直接生成的,但實(shí)際中不能保證錯(cuò)誤是差異的,所以生成的個(gè)體分類器可能是冗余的。 為此,人們又提出了“過產(chǎn)生,再選擇”的策略。過產(chǎn)生階段采用直接策略生成融合中的個(gè)體分類器;再選擇階段是對過產(chǎn)生階段

2、的優(yōu)化,通過優(yōu)化產(chǎn)生分類效果好的分類器系統(tǒng)。研究者希望能夠利用核聚類以及差異性度量對分類器融合性能的預(yù)測來指導(dǎo)多分類器的選擇過程。 本文針對分類器融合的兩個(gè)目標(biāo):融合后的分類器是精確的:融合中的個(gè)體分類器是錯(cuò)誤差異的。對個(gè)體分類器選擇算法進(jìn)行了研究。本文的主要工作包括: (1)提出了一種基于差異性度量的選擇性分類器集成方法(Diversity measurebased selected ensemble DMSE),將周

3、志華的選擇性集成方法SEME(Selectiveensemble of multiple eigenspaees)引入到多分類器選擇中,而且利用了差異性度量的方法,對融合中的分類器進(jìn)行了選擇。實(shí)驗(yàn)結(jié)果表明,該算法在減少用于融合的分類器數(shù)目的同時(shí),保證了準(zhǔn)確率比bagging高。 (2)提出了一種基于核聚類的多分類器選擇算法(Kernel cluster based selectedensemble KCSE),將無監(jiān)督分類方法核

4、聚類引入到多分類器選擇系統(tǒng)中,利用核聚類的準(zhǔn)確聚類將特征空間劃分為小的區(qū)域,從而實(shí)現(xiàn)對每個(gè)分類器性能的度量。理論分析和實(shí)驗(yàn)結(jié)果表明,該算法可以獲得不錯(cuò)的分類效果。 (3)從個(gè)體分類器準(zhǔn)確率和差異性兩方面考慮,提出了一種基于核聚類和差異性度量的多分類器選擇算法(Kernel cluster and diversity measure based selectedensemble KCDMSE)。將核聚類和差異性度量分別引入到分類器

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論