基于AdaBoost的组合分类器在遥感影像分类中的应用

运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出,并引入混合判别多分类器综合规则,有效提高疑难类别的分类精度,进而提高分类的总精度。最后以天津地区ASTER影像为例,介绍了基于AdaBoost的组合分类算法,并在此基础上实现了天津地区的土地利用分类。分类结果表明,组合分类器能有效提高单个分类器的分类精度,分类总精度由81.13%提高到93.32%。实验表明基于AdaBoost的组合分类是遥感图像分类的一种新的有效方法。

基于误差分析的组合分类器研究

提出了一种基于误差分析的组合分类器,通过结合两种监督分类方法,提出的算法分别估计了两种监督分类方法在计算过程中的误差,给出了规则输出的置信区间,再根据置信区间的大小对两种分类方法的输出结果进行加权平均,从而得到更精确的规则输出。利用该方法对遥感图像进行分类实验,在不同训练样本分布与不同训练样本数量的情况下,比较新的组合分类器与单一分类器的精度。结果表明新的组合分类器能够取得比单一的分类器更高的分类精度。结果还显示出,两个分类器的独立性越强,组合分类器的效果越好。另外一个实验比较了新的组合分类器与和式规则组合分类器的分类精度,结果仍显示出了新方法的优越性。

改进的AdaBoost算法与SVM的组合分类器

提出了一种改进的AdaBoost算法与支持向量机组合的分类方法,用来处理多类别分类。采用规则抽样来解决支持向量机分类中正负样本的不平衡性,改进AdaBoost算法,使其在初始化时考虑样本分布稀疏的重要性,有利于稀有类样本的正确划分。实验结果表明,此方法与标准支持向量机分类器相比,泛化性能有一定程度的提高。

基于小波包和组合分类器的脑电信号分类

为了提高脑思维任务分类精度,提出了一种基于小波包分解和多分类器投票组合的运动想象任务分类方法。该方法利用小波包分解对经过预处理的脑电信号进行分解,提取所有频带上的相对小波包能量特征;根据不同脑思维任务下左右半脑各通道间的差异性对C3、C4两通道求取特定频带上的小波包系数的L-2范数作为特征;采用基于投票策略的组合分类器对两种联合特征进行分类,得到了92.85%的识别精度。实验结果表明,联合特征向量较好地反映了左右手运动想象脑电信号的事件相关去同步(ERD)和事件相关同步(ERS)的本质特性;组合分类器识别效果优于单一分类器。

基于Spark的组合分类器链多标签分类方法

随着数据挖掘技术在现实问题中的广泛应用,多标签学习现已成为数据挖掘技术中的一个研究热点.组合分类器链(ECC)算法是一种性能较好的多标签分类方法,其分类效果好、准确度高,但该算法的时空复杂度较高,不能适应大规模多标签数据分类任务.为此提出了一种基于Spark的组合分类器链多标签分类方法,将串行组合分类器链算法的各步骤进行了并行化实现.通过单机实验和集群并行化实验,证明该方法对大规模多标签数据集具有良好的适应能力和加速比,且分类效果不输于传统的串行多标签分类方法.

一种基于粗糙集理论的组合分类器构造方法

首先分析了粗糙集理论和神经网络这两种理论的特点及其互补性,然后提出了一种构造组合分类器的新方法C3RST。新方法包括两个步骤,先对训练数据集进行约简,以此确定单个神经网络分类器的结构以及在组合分类器中要包含的分类器数目;然后将这些分类器组合起来,组合过程中各单个分类器的权值由粗糙集理论中的基本概念——属性重要性来决定。最后,在一些标准数据集上做实验验证C3RST的分类性能,结果表明该方法是有效的。

基于决策树组合分类器的气温预测

气象数据挖掘是近年来研究的热点,组合分类器能够实现协同计算以提高效率和准确性,就此本文采用数据挖掘方法中的决策树组合分类器对某地气象进行了气温预测,主要依据C4.5经典算法、Bagging集成方法构建组合决策树,并加入协同的思想建立了预测气温的决策树协同分析模型.实验表明,基于Bagging的决策树协同模型对于局部区域的气温预测具有较高的准确率.

基于多维数据列向量2D图表示的多维筛可视化组合分类器

提出一种新型的可视化组合分类器——多维筛分类器。该分类器集成了属性数据的2D图表示、图像处理与模式识别技术。其根本思想是将数据矩阵的属性数据映射为2D多元图,然后将多元图通过像素图及图像处理技术转换为子分类器,利用组合分类器规则将各子分类器构成多维筛可视化组合分类器。通过引入交互式方法,选择最优多元图用于分类。通过对Iris数据集的分类试验表示,散点图多维筛与极坐标多维筛的分类精度可以达到98.67%和97.33%。

多层组合分类器研究

为了提高监督分类的精度,本文从组合分类器的结构出发,提出一种横向多层组合模型,并对这种模型的运行方式与组合特性进行分析。该模型每层含有一个分类器,每个分类器的输入和输出一起作为其后面一层的输入。我们将简单贝叶斯法与BP神经网络组合成两层分类器。实验结果表明,这种组合方式有效地提高了单个方法的分类精度。

基于决策树和贝叶斯分类器相结合的组合分类器电器类型识别方法

针对现阶段主流的电器负载识别技术中存在的识别手段单一、结构复杂、识别准确率不高等问题,提出一种以电器负载工作电流中的各次谐波作为识别特征,并基于决策树分类器以及贝叶斯分类器的新型组合分类器电器识别方法。通过大量实验得到的数据分析结果表明,该方法思路明确,简单易行,同时识别精确度高,值得推广应用。

基于组合分类器的个人信用评估模型

随着消费信贷的发展以及银行对信用风险的关注,个人信用评估已成为银行业研究的一个重要内容。目前信用评估的研究中多采用单一分类器,预测精度难以提高,因此文章提出了基于AdaBoost组合分类器算法的个人信用评估模型。与单分类器模型的比较结果表明,基于组合分类器的模型具有更高的预测准确率。

类空间规整度的计算几何组合分类器权重分配

在计算几何组合分类器中,子分类器的权重分配一直未能充分利用空间视觉信息,使得分类器的可视化特性无法完全得到发挥.本文从类空间类别分布特性出发,提出基于类空间规整度的权重分配方法.该方法首先将子分类器由空间的类别表示转变为类别的空间表示,进而利用共生原则分析不同类别在空间中的分布规整度.由于分布规整度为类别分布信息的整体体现,可以用于刻画类空间中不同类别样本的离散程度,因此可以利用当前类空间的规整度信息作为该子分类器的权重.实验表明,利用规整度信息进行加权后的分类器不但与可视化特性更好的吻合,增强了分类过程的可理解性,而且在分类精度上得到了进一步的提升,扩展了应用领域.

基于SVM和GMM组合分类器的谎言识别方法

对于执法机关和其他的政府机构来说,谎言检测正变得不可缺少。运用哥伦比亚语音数据库,通过机器学习的方法区分谎言和真话。我们通过对语音特征时域和频域的划分,提出SVM组合分类器的方法,并与单个分类器进行对比试验。结果表明组合分类器的识别率较单个提升了2%。同时,在跨性别的谎言检测实验中分类器也表现出了较好的识别率。

基于分步特征提取和组合分类器的电信客户流失预测模型

针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题,结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力,提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先,基于Fisher比率从原始特征集合中提取具有较高判别能力的特征;其次,采用预测风险准则进一步选取对分类模型预测效果影响较大的特征;最后,构建基于平均概率输出和加权概率输出的组合分类器,以进一步提高客户流失预测效果。实验结果表明,相对于单步特征提取和单分类器模型,该方法能够提高对客户流失预测的效果。

一种基于组合分类器的用电负载类型判断方法

提出一种可以用于判断用电负载类型的方法,通过获取启动电流特征和负载电流频谱特征作为用电负载判断特征,并与四类主要负载参考特征进行匹配得出判断结果,同时设置组合分类器即主分类器加辅助分类器以提高判断精度。研究结果显示该方法具有特征信息可灵活添加,获取方法简单,判断准确率高等特点,在集体宿舍、大型集贸市场等需要进行用电管理或特殊电器限制的场所具有很强的应用价值。

基于边际的组合分类器选择算法

研究表明,具有较大边际分别的组合分类器泛化性能更高.根据该结论,论文构造了一个新的基于边际的度量指标(MM)以充分考虑基分类器和组合分类器的分类能力,进而提出了一种新的组合分类器选择方法.该方法初始化组合分类器为空(或满),迭代的加入(或移除)具有最大(或最小)MM值的分类器,以降低组合分类器规模并提高它的分类准确率.在随机选择的24个UCI数据集上的实验表明,与其他一些高级的贪心组合选择算法相比,该方法具有更好的泛化能力.

基于组合分类器的银行客户分类模型研究

客户分类管理,对于银行有效地实施客户关系管理具有重要意义。由于目前分类准确度存在问题,如何有效地对客户进行分类预测就成了十分重要并亟待解决的课题。本文以银行丰富的客户基本信息以及交易行为为对象,建立客户分类预测模型,改进单一或简单组合分类器模型,提出一种基于SOM聚类和决策树的组合分类器方法,建立了客户分类预测模型并对模型进行优化,并探讨该模型的实际应用。

一种基于粗糙集理论的组合分类器构造方法(英文)

粗糙集和神经网络作为不确定性计算的两种重要工具,它们具有很强的互补性。在分析了两种理论的特点之后,得出了一种多神经网络分类器的组合方法,新方法根据对数据集进行约简的结果得到多个与数据相关的且相互独立的神经网络分类器,然后根据属性重要性概念将多个分类器组合起来。对比实验证明,该分类器具有较好的分类效果和性能。

一种基于置换的组合分类器剪枝方法

提出了一种基于置换策略的组合分类器剪枝方法,该方法中,初始化子组合分类器S为预定义大小,然后迭代地用较好的基分类器置换S中最差的基分类器。为了确定是否应该进行置换,提出了一种基于差异性的度量指标,用于度量基分类器对组合分类器的贡献。实验结果表明,该方法能够有效地降低组合分类器规模,并提高它的泛化能力。

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。