基于差異性度量的多分類器融合研究.pdf

1、多分類器融合能夠在一定程度上彌補(bǔ)單個(gè)分類器的缺陷，因此它在模式識別中得到了廣泛的應(yīng)用。目前對多分類器融合的研究己經(jīng)不再局限于融合算法的提出和改進(jìn)，而是更多地著眼于分量分類器的關(guān)系研究，尤其是分類器差異性的研究。研究者希望利用差異性度量對分類器融合性能的預(yù)測能力來指導(dǎo)多分類器融合系統(tǒng)的構(gòu)造。 本文緊緊圍繞多分類器系統(tǒng)這個(gè)課題，對分類器差異性度量進(jìn)行了研究。本文的工作主要集中在以下幾大塊： (1)提出了一種基于差異性度量的多

2、分類器選擇算法(1)iversity MeasureSelective，DMS)，該算法主要是在傳統(tǒng)的多分類器融合系統(tǒng)的基礎(chǔ)上增加了分類器選擇，也就是說在分類器融合之前先對分類器集合進(jìn)行選擇獲得新的分類器集合。在UCI數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果證明，使用該算法可以在減少多分類器系統(tǒng)中分類器數(shù)量的同時(shí)，保持甚至提高識別率。 (2)從分量分類器準(zhǔn)確率和分量分類器間差異性兩方面出發(fā)，提出了一種基于差異性度量特征選擇(Diversity Mea

3、sure Feature Selective DMFS)的多分類器融合算法。DMFS算法分兩階段產(chǎn)生用于構(gòu)建不同分量分類器的特征子集：第一階段利用Relief特征評估結(jié)果依權(quán)重從原始特征集合中選擇特征組成特征子集，第二階段通過精調(diào)使各特征子集間滿足一定的差異性。實(shí)驗(yàn)表明，該算法的測試準(zhǔn)確率始終優(yōu)于Bagging、Boosting算法構(gòu)造的多分類融合系統(tǒng)，并且該算法的運(yùn)行速度遠(yuǎn)高于Bagging和Boosting算法。 (3)對基