基于OVO分解策略的智能卷烟感官评估方法

针对智能卷烟感官评估系统中涉及的多分类问题,采用"一对一"(one-versus-one,OVO)分解策略将复杂的多分类问题分解成多个易于处理的二分类子问题,然后针对这些子问题分别建立二值分类器,最后采用一定的聚合策略将二值分类器组合成多类分类器.此外,分别采用基于动态分类器选择和基于距离相对竞争力加权法对OVO中的冗余二值分类器进行处理,从而降低其对OVO系统的消极影响.为了验证所采用的方法在智能卷烟感官评估中的有效性,采用国内某烟草公司提供的数据集进行对比实验.实验结果表明,在智能卷烟感官评估中基于OVO分解策略的多分类方法比传统方法具有更优的分类性能.

改进投票策略的多类SVM及在故障诊断中应用

针对一对一（OVO）分解法,提出了一种改进的投票（MWV）策略,解决了传统策略中的不可分区域问题。首先,由训练iω类和ωj（j≠i,j=1,…,n）类而得到的SVM决策函数;再对iω类定义了一个取值在0~1之间的调节函数,并使改进的得票值等于传统得票值加上调节函数。最后,根据改进的得票值进行分类决策。对于可分区域的样本,改进MWV策略的分类结果与传统策略完全相同;对于不可分区域的数据,由调节函数的值决定。将所提法应用于齿轮传动箱故障诊断实例并与传统得票策略诊断进行了对比,实验结果验证了所提方法的上述优越性。

基于LS-SVM的多标签分类算法

多标签分类是指部分样本同时归属多个类别.基于数据分解的算法因训练速度快、性能良好而得到广泛的应用.本文采用一对一分解策略,将k标签数据集分解为k(k-1)/2个两类单标签和两类双标签的数据子集.对每一训练子集统一用LS-SVM模型建立子分类器,当出现双标签样本时将其函数值设为0,并确定适当的分类阈值.对情感、景象和酵母数据集的实验结果表明,本文算法的某些性能指标优于现有一些常用的多标签分类方法.

应用控制变量法要有理可据、有章可循

控制变量法是科学的研究方法，科学研究方法的教学要用科学的教学方法，即要有理可据、有章可循，控制变量法不适用探究杠杆平衡条件的实验。