组合分类器

摘要： 在使用探地雷达(GPR)生成的Bscan图像进行地下目标检测时,当前基于深度学习的目标检测网络模型存在训练样本需求量高、耗时长,不能区分目标显著程度,难以识别复杂目标等问题。针对以上问题,提出一种基于直方图的双阈值分割算法。首先,根据地下目标的GPR图像直方图分布特性,快速从直方图中计算出分割地下目标所需的两个阈值;然后,采用支持向量机(SVM)和LeNet的组合分类器模型对分割结果进行分类识别;最后,进行分类结果整合并统计精确度数值。相较于传统的最大类间方差法(Ostu)、迭代法等阈值分割算法,所提算法获得的地下目标分割结果结构更加完整,并且几乎不含噪声。在真实数据集上,所提算法的平均识别准确率达到了90%以上,比仅使用单一分类器的平均识别准确率提高40%以上。实验结果表明,所提算法能够同时有效分割显著和非显著性地下目标,且采用的组合分类器能够获得更好的分类结果,适用于小样本数据集的地下目标自动检测和识别。

摘要： 针对财务信息正常与不正常样本数据集不平衡的问题,研究提出一种基于改进SVM的财务信息预警共享模型。首先,采用相关性检验法对财务信息初始特征进行检验,并确定了财务信息的重要特征;然后,采用改进的SVM算法构建了财务信息预警共享模型;最后,通过仿真实验验证了算法的可行性和有效性。结果表明,本研究提出的基于改进SVM算法的财务信息预警共享模型,对训练集样本分类正确率从91.46%,对测试集样本分类正确率为87.83%,相较于标准SVM算法和基于人工合成模型,本研究算法具有一定的优越性,可对财务信息进行准确分类。

摘要： 为了解决采煤机工况运行过程中发生故障检测不及时的问题,在明确了采煤机运行过程中常见故障的基础上,对采煤机故障的检测方法进行研究,并提出组合分类器故障诊断法。该方法通过对单个分类器数据进行组合合并,从而提升诊断准确性。同时建立了采煤机故障诊断知识库,并通过编写软件构建了采煤机故障诊断系统。实际应用表明,该系统对故障的诊断准确性及效率均有了大幅度增加为采煤机高效运行、矿井高效开采作出贡献。

摘要： 对客户价值进行分类,识别重要价值客户,对航空公司获利至关重要.本文提出了基于k-means和邻域粗糙集的航空客户价值分类模型.首先,从客户的当前价值和潜在价值双视角出发,建立了航空客户综合价值评价指标体系;之后,采用基于Elbow的k-means方法对航空客户进行聚类,采用邻域粗糙集方法对决策系统进行指标约简,根据约简后的决策系统完成客户价值初筛.评估前先使用SMOTE方法消除数据的不平衡性,而后采用网格搜索组合分类器的方法对航空客户价值分类的效果进行评估和检验.最后,根据评估结果对航空客户价值细分.文末,对国内某航空公司的62988条真实客户记录进行了实证分析和验证,其中,潜在VIP客户群的分类准确率达到了92％,从而为航空客户价值分类提供了一种新思路.

摘要： 对客户价值进行分类,识别重要价值客户,对航空公司获利至关重要。本文提出了基于k-means和邻域粗糙集的航空客户价值分类模型。首先,从客户的当前价值和潜在价值双视角出发,建立了航空客户综合价值评价指标体系;之后,采用基于Elbow的k-means方法对航空客户进行聚类,采用邻域粗糙集方法对决策系统进行指标约简,根据约简后的决策系统完成客户价值初筛。评估前先使用SMOTE方法消除数据的不平衡性,而后采用网格搜索组合分类器的方法对航空客户价值分类的效果进行评估和检验。最后,根据评估结果对航空客户价值细分。文末,对国内某航空公司的62988条真实客户记录进行了实证分析和验证,其中,潜在VIP客户群的分类准确率达到了92%,从而为航空客户价值分类提供了一种新思路。

摘要： 针对传统的分类方法在构建降雨预测模型时都存在着泛化能力低、精度不足的问题,基于集成学习的思想,提出一种改进的Adaboost-C4.5算法.通过自适应增强算法集成C4.5决策树算法,得到多个弱分类器,再赋予弱分类器权值,利用粒子群算法对其权重系数进行优化,最后线性组合成强分类器来提高模型的分类性能.文中选取大气压强、气温、风向、风速和相对湿度作为预报因子,并建立5个等级预报降雨模型.实验表明,所提模型在性能上表现更好,提高了预报的准确率,降低了预报的漏报率,在5个等级预报中,降低了3级和4级降雨预测的标准误差.

摘要： 在SAR(合成孔径雷达)技术的不断成熟,所获取到SAR图像分辨率也有了很大程度的变化。本文针对建筑物电磁散射情况展开分析,内容包括单次散射、二次散射、阴影区域等,结合余弦傅里叶矩、CFAR检测算法、支持向量机、组合分类器等图像常用方法,通过研究明确位置和方位、进行高度提取、空间三维点的计算、生成物体表面点集、进行集束调整、物体表面生成等内容,其目的在于提升三维模型重构效果,为后续工作的顺利开展奠定基础。

摘要： [目的]针对亚热带森林冠层结构复杂、林分高密度下树种遥感识别精度不高以及不同分类算法对不同树种识别表现力不一等问题,探究高光谱分辨率与高空间分辨率数据联合的多分类器组合树种识别方法,以促进多源数据在森林资源调查和监测领域的深层次应用.[方法]以皇甫山国家森林公园为研究区,联合高分五号AHSI(GF-5 AHSI)与高分六号PMS(GF-6 PMS)卫星数据以及数字高程模型(DEM)、森林资源调查数据等辅助信息,构建亚热带天然次生林复杂冠层结构和高林分密度条件下面向对象多源数据多分类器自适应的树种识别方法.首先利用图割算法(GC)对GF-6 PMS卫星数据进行面向对象多尺度分割,结合外业调查数据选择样本;然后基于GF-5 AHSI卫星数据提取植被指数特征(VIF) 26个,GF-6 PMS卫星数据提取各方向各波段纹理特征(TEF)128个,将GF-5 AHSI卫星数据去除坏波段后的304个波段作为光谱特征(SF),基于DEM构建的地形因子作为地形特征(TRF)3个,根据类间可分性和线性判别分析对各类因子进行特征选择,依据特征选择结果构建10种分类方案;最后,采用近邻分类(KNN)、支持向量机(SVM)、贝叶斯分类(Bayesian)、分类回归树(CART)和随机森林(RF)建立基于面向对象的分类精度权重自适应组合分类器(WACC),结合10种分类方案进行树种识别,并对树种识别结果进行精度验证.[结果]线性判别分析模型下,光谱特征、纹理特征和植被指数特征因子分别在增加到28、12和10个后判别精度趋于稳定,对树种具有较好识别能力的光谱特征因子主要集中在红光和近红外波段,纹理特征因子主要集中在均值、熵和角二阶矩,植被指数特征因子主要集中在表征绿度、碳衰减和冠层含水指数;权重自适应分类器组合算法树种识别总体精度为87.51％,Kappa系数为0.854,均优于单一分类器算法;不同特征因子方案在各分类算法下取得总体精度排序为SF+TEF+VIF＞ SF+TEF+VIF+TRF＞SF+TEF+TRF＞SF+VIF＞ SF+VIF+TRF＞SF+TEF＞SF＞SF+TRF＞VIF＞TEF.[结论]SF+TEF+VIF特征组合下的权重自适应分类器组合算法能够对亚热带天然次生林树种进行有效识别,具有良好的识别精度和可信度,GF-5 AHIS和GF-6 PMS卫星数据在森林资源调查和监测等领域有着较好的应用潜力和前景.

摘要： 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.

摘要： 本文采用一种新的错误驱动的组合分类器方法来实现汉语base NP(base noun phrase)识别.本文首先对汉语和英语base NP识别技术现状进行了综述和分析,明确了汉语base NP的含义,提出了错误驱动的组合分类器方法,然后,在对比两种不同类型的分类器--基于转化的方法和条件随机场分类结果的基础上,再利用支持向量机学习其中的错误规律,对两种分类器产生的不同结果进行纠错,从而达到提高系统整体性能的效果.在宾州汉语树库转化得到的base NP语料集上进行汉语base NP识别交叉验证的实验,与使用基于转化的方法,条件随机场以及支持向量机的方法相比较,实验结果都有所提高,F值达到了89.72％,相对于文中其他方法,最大提高了2.35％.

摘要： 垃圾短信过滤是一个文本分类问题。如何设计分类器，可以在训练样本较少的情况下达到可观的精度是一个重要的问题。本文对传统分类器的结构加以改进，设计了一种基于潜在中间层的两级分类器，每级用贝叶斯方法实现。进一步地，将朴素贝叶斯分类器与之加权结合。实验结果表明，两级分类器大幅度提升了分类错误率的收敛速度。组合分类器在此基础上提高了训练样本较多时的精度，集成了两者的优点。

摘要： 使用基于Boosting技术的Adaboost.M1方法组合分类器，为实现旅游项目推荐调整基础学习算法C4.5决策树算法，使之能直接应用于加权的训练集，同时避免在组合分类器的每次迭代中对训练集进行重新抽样。Adaboost.M1方法在旅游项目推荐的应用中更易于实现，旅游公司数据试验表明该算法能帮助旅游公司快速地为游客提供适合的旅游项目推荐，安排旅行计划。

摘要： 随机森林(Random Forests Algorithm，RFA)是一种包含多个分类树的组合分类器，在医学、生物学及机器学习等领域得到了较为广泛的应用，但是在机械设备故障诊断领域的应用尚不多见。本文试图将RF 引入机械设备故障诊断过程中，在阐述RFA 基本原理的基础上，通过提取某型坦克变速箱的振动加速度信号的时域、频域特征参量，应用RFA 评价了不同特征参量对分类的重要性，并建立了RFA 分类器，讨论了分类决策树个数对分类精度的影响，结果表明：当分类决策树达到一定数量时，分类正确率能够达到100%。

摘要： 最小最大模块化分类器是一种具有弹性的任务分解和简单的结果合成的组合分类器框架.已有研究表明,最小最大模块化分类器任务分解的一种有效策略是使用聚类或者逆向聚类方法.但是聚类算法依赖于初始分解,同时难以保证生成模块的均衡性.基于最小最大模块化分类器的任务分解策略,提出使用对称选择算法来替代原有的最小最大组合过程,在此基础上,进一步提出了一种自重组学习算法,能够在并行或者模块化处理模式下同步完成训练集较为优化的划分和训练过程.所提方法继承了传统的最小最大模块化分解的弹性分解特性,易于实现灵活分解和平衡化的学习.同时,和传统的分布式分类方法相比较,提出的方法具有良好的并行处理特性和更高的测试性能.此外,该方法与基分类器算法无关,可以适用于多种分类算法的分布式实现.实验结果验证了所提算法的有效性。

摘要： Stacking是Wolpert提出的一个重要学习框架.它通过对多个模型的输出结果进行泛化,利用前一层模型输出的结果作为下一层的学习输入信息,使得前一次的学习能够充分用于后面的归纳过程当中去,发现并且纠正所使用学习算法中的学习偏差,以提高学习的精度.目前,Stacking框架最主要的应用是组合分类器,以取得比组成它们的单个分类器更高的分类准确率.Stacking中每一层的各分类器可使用任何分类算法来构造,因此也适用于组合异构的分类器,本文提出了一种基于投票的类向量方法(Vstacking).从实验结果看,该方法在具有明显类分布倾斜的数据集上的泛化效果要优于Stacking方法,同时在所有的2-类数据集上的泛化效果较稳定,在具有明显类分布倾斜的数据集上取得了较好的分类效果,在泛化精度与效率的折中方面具有较明显的优势.但是应指出的是,Vstacking方法的泛化精度与数据的类分布倾斜(classdistributionskew)是有关系的,即客观存在的各个类的样本比例不平衡的现象影响了分类准确率.对于数据集的类分布均匀的情况,仍需要作进一步的研究.

摘要： 根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽合分类器分类精度提升的集成学习算法选取基分类器,其次利用分类过程中生成样本的累计权值来调整前K次(K＞1)被错误分类样本的权重,并提出双重阈值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。

摘要： 根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽合分类器分类精度提升的集成学习算法选取基分类器,其次利用分类过程中生成样本的累计权值来调整前K次(K＞1)被错误分类样本的权重,并提出双重阈值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。

摘要： 根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽合分类器分类精度提升的集成学习算法选取基分类器,其次利用分类过程中生成样本的累计权值来调整前K次(K＞1)被错误分类样本的权重,并提出双重阈值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。

摘要： 本发明公开了一种基于共享弱分类器组合的人手分类器及其检测方法，能够从杂乱背景中检测多姿态手。在分类器训练过程中boosting的每一轮，都选取一组共享特征，使用该组共享特征构建一个对应的共享弱分类器组合。同时，使用共享特征组合构建对应的多阈值共享弱分类器组合，提升了分类器的分类能力。

摘要： 本发明公开了一种基于多分类器组合的高光谱图像分类方法，属于遥感成像与模式识别相结合的技术领域。本发明包括以下步骤：步骤A、从高光谱图像的所有波段中选出多组较优的波段子集；步骤B、分别以所选出的每一组波段子集构建一个特征空间，并利用高光谱图像训练样本分别在各组波段子集所构建的特征空间中对分类器进行训练，得到与各组波段子集一一对应的多个基分类器；步骤C、根据所述多个基分类器，利用多分类器组合的方法对高光谱图像测试样本进行分类。本发明将多分类器组合的思想引入高光谱波段选择中，相比现有技术可有效提高波段选择后的分类正确率。

摘要： 本发明提供了滚筒分类器装置（10）和用于将预成型坯（2）分类的分类方法，以及具有这种滚筒分类器装置（10）的运送装置。滚筒分类器装置（10）包括第一滚筒（11）、第二滚筒（12）、检测装置（14）和滚筒设置更改元件（15），第一滚筒（11）能被驱动而绕着其滚筒轴（11a）旋转，第二滚筒（12）能被驱动而绕着其滚筒轴（12a）朝与第一滚筒（11）旋转相反的方向旋转，且第二滚筒（12）与第一滚筒（11）被间开地设置从而使得它们的滚筒轴（11a、12a）被设置得本质上彼此平行，检测装置（14）用于检测在第一和第二滚筒（11、12）上的不被允许的和/或有缺陷的预成型坯（2），滚筒设置更改元件（15）用以在检测装置（14）检测到不被允许的预成型坯（2）时更改第一和第二滚筒（11、12）相对于彼此的设置。

摘要： 一种用于分类器生成的方法，包括获得用于对众多的样本进行分类的数据的步骤，用于每个样本的数据是由大量的物理检测特征值和分类标签组成的。利用来自这些样本的多组特征生成多个独立的微型分类器。测试这些微型分类器的性能，并保留那些达到性能阈值的微型分类器。通过对保留的/滤过的那组微型分类器到用于样本的分类标签执行正则化的集合训练而生成一主分类器，例如通过随机地选择滤过的微型分类器的一小部分(丢弃法正则化)并对如此选定的微型分类器执行逻辑训练。将这组样本随机地分成测试集和训练集。针对将这组样本分成测试集和训练集的不同划分实现，重复进行生成微型分类器、过滤和生成主分类器的步骤，从而生成多个主分类器。从一个主分类器或者多于一个主分类器的组合限定一最终分类器。

摘要： 本发明公开了一种基于共享弱分类器组合的人手分类器及其检测方法，能够从杂乱背景中检测多姿态手。在分类器训练过程中boosting的每一轮，都选取一组共享特征，使用该组共享特征构建一个对应的共享弱分类器组合。同时，使用共享特征组合构建对应的多阈值共享弱分类器组合，提升了分类器的分类能力。

摘要： 本发明公开了一种基于多分类器组合的高光谱图像分类方法，属于遥感成像与模式识别相结合的技术领域。本发明包括以下步骤：步骤A、从高光谱图像的所有波段中选出多组较优的波段子集；步骤B、分别以所选出的每一组波段子集构建一个特征空间，并利用高光谱图像训练样本分别在各组波段子集所构建的特征空间中对分类器进行训练，得到与各组波段子集一一对应的多个基分类器；步骤C、根据所述多个基分类器，利用多分类器组合的方法对高光谱图像测试样本进行分类。本发明将多分类器组合的思想引入高光谱波段选择中，相比现有技术可有效提高波段选择后的分类正确率。

摘要： 本发明公开了一种生理数据特征值获取方法、分类器建立方法、分类方法、分类器及分类系统。分类器建立方法包括：获取多个生理数据样本，为每个参考生理数据样本分配分类标签并提取特征值；对分类标签和特征值进行归一化处理并转化为统一格式，获得训练数据；配置分类器训练参数；利用训练数据对分类器进行训练，训练中不断优化训练参数，直到分类器输出精度达到预设精度后，输出模型文件，完成分类器建立。生理数据分类器建立快速、运算量少，训练数据中对分类标签和特征值进行归一化处理并转化为统一格式，有利于提高分类器的训练速度。快速对生理数据进行分类并输出分类标签，便于处理人员选择生理数据做进一步分析，减少了工作量。

摘要： 本发明公开了一种基于组合分类器的白内障眼底图像分类方法及分类装置，其中，方法包括以下步骤：获取白内障眼底图像；对白内障眼底图像进行预处理；分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取特征；分别通过支持向量机和BP神经网对特征进行预测分类，以获取预测分类结果；通过组合分类器进行投票分类，以获取最终分类结果。该方法在对图像进行预处理之后，通过小波变换、轮辅方法和纹理分析提取特征，其次通过支持向量机和BP神经网进行预测分类，从而获取分类结果，提高分类的精确度。

摘要： 本发明公开了一种基于组合分类器的白内障眼底图像分类方法及分类装置，其中，方法包括以下步骤：获取白内障眼底图像；对白内障眼底图像进行预处理；分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取特征；分别通过支持向量机和BP神经网对特征进行预测分类，以获取预测分类结果；通过组合分类器进行投票分类，以获取最终分类结果。该方法在对图像进行预处理之后，通过小波变换、轮辅方法和纹理分析提取特征，其次通过支持向量机和BP神经网进行预测分类，从而获取分类结果，提高分类的精确度。

摘要： 本发明涉及分类计算技术领域，具体涉及一种基于组合分类器的随机分类方法，包括：随机选择N个类型不完全相同的分类器作为组合分类器；对随机选择的每个分类器选定训练集和测试集；分别对每个分类器进行训练和测试，得到组合分类器的平均正确率；根据组合分类器的平均正确率判断是否触发淘汰机制；基于判断结果进入分类计算步骤，得到各分类器的分类结果；对各分类器的分类结果进行投票，得到最终分类结果。本发明能够减少过拟合和欠拟合的现象，能够支持离散变量和连续变量，并且能够克服概念漂移现象。