基于Bagging的兩階段特征選擇集成分類器研究.pdf

1、集成分類是利用分類器互補關(guān)系有效提高泛化能力的多分類器集成方法，日益成為機器學習的新的研究方向，在多個領(lǐng)域得到了有效應用。集成分類器性能指標關(guān)鍵在于兩個方面因素的制約：一是個體分類器的精度，二是成員分類器相互間的差異化。目前大部分算法設(shè)計都是通過擾動訓練集并以此來設(shè)計差異性較大的基分類器，如Bagging與Boosting算法等。如何獲取成員分類器相互間較大差異化的同時提高成員分類器的精度，是當前集成學習研究的熱點。
　　本文提出

2、了一種基于Bagging的兩階段特征選擇集成分類器，從差異化成員分類器和提高成員分類器精度兩個方面考慮，進一步提高集成效果。該集成分類器通過兩階段特征選擇雙重擾動訓練集來提高個體分類器的精度和多樣性，并選擇性集成差異較大的個體分類器，最終運用加權(quán)投票思想輸出分類結(jié)果。該集成分類器已運用于局部放電故障診斷的實際應用中，能有效地識別局部放電的類型，及時準確地對變壓器的絕緣狀況進行評估。
　　主要工作如下：
　　(1)提出了一種改

3、進的集成分類器，通過融合Bagging算法和兩階段特征選擇相結(jié)合方法來雙重擾動訓練集，來構(gòu)建不同的輸入空間，達到提高個體分類器多樣性和精度的目的。
　　(2)采用IAS算法對成員分類器進行差異化選擇，并再次選用遺傳算法擇優(yōu)，加權(quán)輸出最終結(jié)果。實驗表明，本集成分類器較其他集成分類器能獲得較優(yōu)的個體分類器精度和較大差異性的個體分類器組合。
　　(3)在局部放電故障診斷實際問題中驗證了本集成分類器。通過實驗選擇了熵值法、互信息、特