基于动态分类器选择的网络入侵检测方法

提出了一种基于动态分类器选择的网络入侵检测方法,该方法通过增加训练过程以及对分类器性能的静态估算来减少分类时需要的计算资源,提高分类速度,以满足网络入侵检测对实时性的要求。实验表明,该方法的性能优于基于静态分类器选择的网络入侵检测方法。

基于改进分类器动态选择算法的滚珠丝杠副状态识别

为提升滚珠丝杠副的性能状态识别精度,提出一种改进的分类器动态选择算法。该算法借助邻域成分分析(NCA),准确并自适应地定义测试样本的邻域,无需选择距离度量方式,从而更加准确地衡量多分类器系统中各子分类器对于测试样本进行正确分类的潜力,解决了传统分类器动态选择算法精度受限于距离度量方式选择是否合适的问题。将所提出的分类器动态选择算法应用于滚珠丝杠副状态识别中,首先利用AdaBoost算法离线训练反向传播(BP)神经网络集合,然后依据实时信号特征,采用改进的分类器动态选择算法从分类器集合中选取最合适的子分类器进行状态鉴定,从而实现更好的识别效果。实验结果表明,提出方法的状态识别准确率能够达到97.22%,高于BP神经网络、AdaBoost与传统分类器动态选择算法,且对于不同的性能状态均有较高的识别精度。

银行客户信用评估动态分类器集成选择模型

现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能.针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM.该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖.从UCI数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4种常用的基于插补法的多分类器集成模型以及1种直接面向缺失数据建模的集成模型相比,DCESM模型能够取得更好的客户信用评估性能.

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型。首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成。实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型。

聚类的动态分类器集成选择

动态分类器集成选择(DCES)是当前集成学习领域中一个非常重要的研究方向.然而,当前大部分DCES算法的计算复杂度较高.为了解决该问题和进一步提高算法的性能,本文提出了基于聚类的动态分类器集成选择(CDCES),该方法通过对测试样本聚类,极大地减少了动态选择分类器的次数,因而降低了算法的计算复杂度.同时,CDCES是一种更加通用的算法,传统的静态选择性集成和动态分类器集成为本算法的特殊情况,因而本算法是一种鲁棒性更强的算法.通过对UCI数据集进行测试,以及与其他算法作比较,说明本算法是一种有效的、计算复杂度较低的方法.

基于多分类器动态集成的电信客户流失预测

本文提出了一种新的基于多分类器动态选择与优化集成的电信客户流失预测集成模型.首先使用K均值聚类算法对训练集样本进行分区;然后分别使用Naive-Bayes算法、多层感知机算法和J48算法构建各分区客户流失预测子分类器;最后对各分区子分类器进行线性集成,并使用人工蜂群算法优化其集成权重.当测试样本由聚类算法判断出其归属区域后,再分别使用分区子分类器进行预测,最后使用优化权重进行线性集成.实验结果表明:动态集成模型优于单模型;基于人工蜂群算法优化集成模型优于其它集成模型.

动态多分类器集成在肺结节辅助检测中的应用

针对肺结节病灶数据具有多样性及异质性特点,提出了动态多分类器选择集成算法(Dynamic Multiple Classifiers Selection,DMCS),将特征空间随机划分为若干特征子集,针对每个特征子集样本分布不同,对不同的特征子集选择适合的基分类器,最后进行集成学习。实验表明,该算法比目前有代表性的肺结节检测病灶分类算法具有更好的稳定性和检测性能。

一种局部最优型动态集成选择算法

提出一种建立在局部最优基础上的动态集成选择算法,并从理论上对算法进行了分析.该算法首先在多个局部特征空间上构造最优集成,然后使用动态集成选择技术对未知样本进行识别.局部空间上的集成构造问题被转换为一个单目标优化问题,并使用多种群遗传算法进行了求解.基于UCI数据集的实验表明,相对于现有的动态分类器选择算法和动态集成选择算法,新算法能够取得更高的识别率.同时,相对于现有的动态集成选择算法,新算法构造的集成规模更小,识别速度更快.

基于SVM动态集成的高光谱遥感图像分类

在Bagging支持向量机(SVM)的基础上,将动态分类器集选择技术用于SVM的集成学习,研究了SVM动态集成在高光谱遥感图像分类中的应用。结合高光谱数据特性,通过随机选取特征子空间和反馈学习改进了BaggingSVM方法;通过引进加性复合距离改善了K近邻局部空间的计算方法;通过将错分的训练样本添加到验证集增强了验证集样本的代表性。实验结果表明,与单个优化的SVM和其他常见的SVM集成方法相比,改进后的SVM动态集成分类精度最高,能有效地提高高光谱遥感图像的分类精度。

基于动态分类器集成选择的不完整数据客户分类方法实证研究

在管理决策的制定中,分类已经成为一种十分重要的方法和技术。由于现实客户数据常常是不完整的,因此,研究不完整数据的客户分类问题具有重要意义。通过分析以往分类过程中对不完整数据的处理方法,提出了一种基于动态分类器集成选择的不完整数据分类方法DCES-ID。分别在UCI客户分类数据集以及某券商客户数据集上进行分类的实验和实证分析。结果表明,与已有的6种分类算法相比,DCES-ID算法具有更高的分类准确性及稳定性,能够更有效地进行客户分类。

基于AdaBoost与LCA的滚珠丝杠副状态识别方法

作为数控机床的关键部件,滚珠丝杠副的工作状态关系到整个机床的性能与产品质量。因此,对滚珠丝杠副进行状态监测,准确识别其状态能够提高机床的可靠性与安全性,并降低生产成本。为了提高状态识别精度,提出基于AdaBoost与局部类精度(LCA)的滚珠丝杠副状态识别方法。首先,利用历史失效数据与AdaBoost算法生成一个包含多个分类器的分类器集合。然后,针对未知状态的滚珠丝杠副,根据当前监测信号的特征,利用LCA算法从分类器集合中选出最合适的分类器对其当前状态进行识别。实验结果表明,所提出方法能够有效地识别滚珠丝杠副状态,其状态识别准确率高于传统方法,达到96.3%。

一种改进的全极化SAR影像面向对象分类方法

面向对象分类过程,首先对图像进行分割得到对象,然后将对象进行分类,分割效果直接影响最终分类精度.针对这一问题,提出一种改进的全极化合成孔径雷达(SAR)影像面向对象分类方法,在分类时首先通过计算各对象内部像元类别比例对对象进行判断,若所有类别比例均没有达到某个阈值,则认为此对象存在分割偏差,对其进行基于像元的分类,反之则进行面向对象分类,最后整合像元级和对象级分类结果.分类算法采用改进分类器动态选择法(ICDS)对差异性较大的3个基分类器Wishart、核-KNN和Wishart-KNN进行决策级融合.以AIRSAR,EMISAR的全极化SAR影像为数据进行分类实验.结果表明:改进算法充分利用了对象级和像素级分类的优点,从而得到高精度的分类结果,该算法具有良好的应用前景.