基于進(jìn)化計(jì)算和模糊聚類技術(shù)的多分類器聯(lián)合研究.pdf

1、多分類器聯(lián)合，又稱多分類器組合、多分類器集成，在模式識(shí)別研究中，該技術(shù)可以顯著地提高模式識(shí)別的性能，受到研究人員的極大關(guān)注。研究人員已經(jīng)提出了很多分類器集成方法，且成功應(yīng)用于多個(gè)領(lǐng)域。 多分類器集成旨在充分發(fā)揮每個(gè)成員分類器在各自分類性能上的優(yōu)勢(shì)，獲得比單個(gè)成員分類器都要高的分類識(shí)別率。多分類器集成利用了不同分類器之間的互補(bǔ)性，提高集成后分類器的性能。一般通過(guò)兩種手段達(dá)到提高多分類器集成性能的目的：提高成員分類器的分類性能；增加

2、成員分類器的多樣性。傳統(tǒng)獲得多分類器集成多樣性的方法仍然存在如下缺陷：其一，在創(chuàng)建成員分類器時(shí)，沒(méi)有充分挖掘訓(xùn)練樣本的分布特征所蘊(yùn)藏的有價(jià)值信息；其二，沒(méi)有很好的選擇標(biāo)準(zhǔn)選取成員分類器。研究表明，個(gè)體分類器的性能與集成分類器的性能之間沒(méi)有必然的聯(lián)系。另外，在選擇成員分類器時(shí)必須同時(shí)考慮分類器的準(zhǔn)確度和多樣性，但這兩者之間通常是相互矛盾的；其三，各成員分類器在多分類器集成中所承擔(dān)的角色是固定的，并不根據(jù)數(shù)據(jù)集的不同采用不同的集成方式。這樣

3、處理可能對(duì)某一類數(shù)據(jù)集提高了識(shí)別率，而對(duì)另一類起到相反作用。為實(shí)現(xiàn)集成分類器的最佳性能，需要根據(jù)識(shí)別對(duì)象挑選適當(dāng)?shù)某蓡T分類器，同時(shí)也需要根據(jù)不同的識(shí)別對(duì)象采用不同的集成方式。 本文研究在保證單個(gè)分類器高性能的情況下，如何實(shí)現(xiàn)成員分類器的多樣性。在實(shí)現(xiàn)多樣性方面充分考慮利用訓(xùn)練樣本集分布特征，達(dá)到既提高成員分類器性能，又實(shí)現(xiàn)多樣性的目的。本文的創(chuàng)新性研究成果主要有： 1、提出了一種自適應(yīng)策略梯度算法(APG)。該算法將進(jìn)化

4、策略中的自適應(yīng)偏轉(zhuǎn)變換技術(shù)應(yīng)用于進(jìn)化博弈論，在尋找到一個(gè)納什均衡以后，對(duì)目標(biāo)函數(shù)進(jìn)行偏轉(zhuǎn)，再次搜索，實(shí)現(xiàn)獲得多個(gè)納什均衡的目的。在GAMBIT實(shí)例集包括的一系列基準(zhǔn)博弈問(wèn)題上進(jìn)行驗(yàn)證，并與協(xié)方差矩陣適應(yīng)性進(jìn)化策略(CMA)和粒子群優(yōu)化(PSO)算法進(jìn)行對(duì)比，結(jié)果表明APG算法能夠?qū)Σ┺牡乃屑{什均衡進(jìn)行有效、快速的搜索。 2、提出一種基于模糊聚類的多分類器集成算法(FuzzyBoost)。將模糊聚類技術(shù)應(yīng)用于訓(xùn)練樣本集，學(xué)習(xí)訓(xùn)練

5、樣本分布特征，提出信息熵的概念，并依據(jù)信息熵對(duì)訓(xùn)練樣本采樣，生成多樣性訓(xùn)練樣本集，從而實(shí)現(xiàn)成員分類器的多樣性，提高分類性能。我們以Weka軟件作為平臺(tái)實(shí)現(xiàn)了算法，并在20個(gè)特征不同的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，F(xiàn)uzzyBoost與AdaBoost和Bagging算法相比，具有更高的分類準(zhǔn)確性和更好的泛化能力。 3、提出了一種自適應(yīng)FuzzyBoost分類器集成算法(AdaptiveFuzzyBoost，記為AFB)。受APG算