基于集成贝叶斯分类器的暂态稳定评估方法研究

朴素贝叶斯分类器是目前公认的一种简单有效的概率分类方法,具有简单、健壮而且高效的特点,但由于它是建立在属性变量相对类变量独立的假设前提下,而且这个假设在实际问题中往往不能满足,从而影响了其分类精度。针对这个很强的前提假设,提出了基于灰色关联聚类的特征选择方法,在一定程度上放松了这个限制条件;以朴素贝叶斯分类器作为基分类器,采用分类器集成技术中的AdaBoost算法进一步提高分类性能。通过对新英格兰10机39节点系统的仿真计算,结果表明了方法的有效性和正确性。

基于全局及局部特征融合的建筑图像检索策略

提出一个基于建筑外形表现的特征提取及识别策略,即基于掩模子采样的全局特征提取、基于AdaBoost的局部特征提取、各特征贝叶斯子分类器训练及子分类器融合策略.

多贝叶斯网络分类器集成模型研究

提出了一种多贝叶斯网络集成的分类和预测方法。把专家知识作为"疫苗",利用免疫遗传算法和约束信息熵适应度函数相结合的方法进行贝叶斯网络结构的学习,得到多个反映同一样本数据集的、网络结构复杂度折衷的、满意的贝叶斯网络结构。然后,给出了多贝叶斯网络分类器集成模型,把学习得到的贝叶斯网络进行集成,代表"专家"对未知类别的不完全数据进行群决策的分类和预测,提升贝叶斯网络分类器的泛化能力。最后,结合贝叶斯推理工具GeNIe软件,通过实例说明该方法的合理性和有效性。

基于贝叶斯混合集成的概念漂移数据流分类

为有效解决概念漂移数据流分类问题,提出一种基于混合集成学习的概念漂移数据流分类方法。考虑数据分布特性与概念漂移速率这两个因素,将概念漂移的成因考虑到模型的构建中。采用混合集成学习框架,根据贝叶斯分类错误率来检测概念漂移,通过动态调整滑动窗口,实现不同类型概念漂移的自动识别。实验结果表明,对于不同类型概念漂移数据流的识别问题,该算法在抗噪和漂移检测方面均表现出良好的性能。

基于树修剪和多特征融合的场景文本检测

为了解决最大稳定极值区(MSER)提取过程中产生的大量重复文本区域和非文本区域难以被剔除影响算法精度的问题,提出了一种基于树修剪和多特征融合的场景文本检测方法。首先提取出边缘叠加的MSER作为文本候选区域;其次设计了一种MSER树修剪算法剔除重复文本区域;然后采用贝叶斯分类器融合多特征剔除非文本区域;最后设定了一系列相似性标准合并文本区域。ICDAR 2011数据集(f=76.8%)上的实验结果低于目前最好的算法[19],但算法在速度上具有明显的优势。