多源性数据SVM集成算法研究(1)(5)

基于模糊积分法的支持向量机集成算法可以充分利用支持向量机的度量层输出信息，进一步提高集成的泛化性能。已有的模糊积分集成法利用训练样本的先验静态信息来确定模糊密度值，其对所有的测试样本都是固定不变的，不能充分体现不同个体支持向量机相对于不同待测样本分类的不同置信度。提出一种基于自适应模糊积分法的支持向量机集成算法，根据各个体支持向量机分类器的度量层输出信息确定个体支持向量机分类器对待测样本分类的置信度，并据此实现自适应模糊密度赋值。仿真实验结果表明，该方法进一步了提高支持向量机集成的泛化性能。

2.期刊论文 徐冲.王汝传.任勋益.XU Chong.WANG Ru-chuan.REN Xun-yi 基于集成学习的入侵检测方法 -计算机科学2010,37(7)

为解决传统入侵检测中存在的检测效率低、对未知的入侵行为检测困难等问题,提出了将改进的BP神经网络算法和支持向量机集成的入侵检测模型.实验表明,集成改进的BP神经网络和支持向量机与检出率最好的单个神经网络、单个SVM相比检测率有所提高,同时提高了对未知入侵行为的识别.

论文

提出一种基于Bagging算法和SVM的步态识别方法.首先应用背景差分法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量.采用SVM分类器进行分类识别,为了提高SVM的识别率,采用Bagging算法对分类结果进行分类集成,实验结果表明,该算法取得了很好地识别性能.

4.期刊论文 梁竞敏.UANG Jing-min 集成学习SVM在图像检索中的应用 -计算机工程与应用2009,45(18)

提出一种基于SVM和Adaboost集成学习相结合的相关反馈算法.在相关反馈过程中选择最具信息的样本训练支持向量机,可以有效减少相关反馈的次数和所需学习样本的数量,通过两者的互补来有效地提高图像检索的精度.最后提出Adaboost算法对SVM分类器进行加权投票,这样进一步提高了图像检索的性能.实验表明,该方法较好地解决了图像检索中的小样本选择问题,能够显著提高图像检索的效率和性能.

5.学位论文 闫丽 基于模糊分割和集成学习的分类和回归算法研究 2008

支持向量机(SVM)算法因其良好的小样本学习能力,方便简洁的非线性处理能力,以及收敛过程无局部极小等优点赢得了学术界的广泛关注。它以最小化结构风险为目标,以求解二次规划问题为途径,有效获取训练样本集中的统计信息。然而由于SVM求解过程中所有训练样本被平等对待,而其最优解仅由少数样本决定,导致其对噪声点和异常点非常敏感。本论文以解决噪声点和异常点对SVM的影响为目标,对分类和回归两种学习问题进行了研究。

对于带噪声点和异常点的二分类问题,本论文提出基于模糊分割和集成学习的分类算法。其主要思路是：首先,基于模糊聚类的有效性指标用模糊c均值聚类算法分别对训练集中的正负类样本聚类,自适应得到训练集的最优分割和样本的模糊隶属度；然后,根据聚类结果构造多个子分类问题,用支持向量机求解得多个子分类器；最后,对多个子分类器用集成学习策略对待识别样本进行预测。此算法中模糊聚类根据训练集样本分布特征自适应得到训练集的最优分割和训练样本的模糊隶属度,无需人为干预；集成学习策略利用对待识别样本有用的信息而降低无用信息的影响,有助于提高预测精度。文中给出了两种分类器构造和集成学习策略,数值试验验证了所提算法的有效性。

对于带噪声点和异常点的回归问题,本论文提出基于模糊分割和集成学习的回归算法,其思路与针对分类问题提出的算法类似。首先,对训练集进行聚类；然后,根据聚类结果求解得多个子回归机；最后,用集成学习策略对未知样本进行预测。文中给出两种集成学习策略,数值试验证明此算法在不丢弃训练样本信息的情况下可以降低噪声点和异常点对支持向量机的影响。鉴于基于模糊分割和集成学习的回归算法对降低噪声点和异常点影响的有效性,针对Suykens等人的加权最小二乘支持向量机(WLS-SVM)依赖于预训练结果的问题,基于模糊分割和集成学习,本文提出两种WLS-SVM的改进算法,数值试验验证了改进算法的有效性。

6.学位论文 傅美端 一种基于集成学习的多示例分类模型 2010

多示例分类模型最早是Dietterich等人[1]在研究如何解决制药业中选择哪种分子入药中提出的一种模型。在多示例学习中，我们直接把标签赋给多个示例组成的包，而不是包中的示例。如果包中至少有一个正示例，那么我们就把这个包标记为正包，反之，则将这个包标记为负包。到目前为止，已经有许多学者对多示例算法学习进行大量的研究，但是如何构造高效的多示例学习算法仍然是目前研究的热点。本论文将从分类精度这方面对多示例分类模型进行研究。<br>　　

本文通过对多示例学习算法进行研究，发现只要在单实例学习目标函数中引入多示例问题的约束，那么传统监督学习方法也能够在多示例问题中取得比较好的分类能力。此外，考虑到集成学习方法能使传统监督学习算法提高泛化能力，本文在多示例学习模型中引入集成学习思想。实验结果表明这种方法可以解决多示例问题，也可以提高多示例学习算法的泛化能力。<br>　　

关于多示例学习，虽然支持向量机已经取得较好的分类能力。但是，用全局数据训练得到的SVM分类模型未必适合个别未知类别样本。考虑到支持向量机在分类时，对分类结果产生影响主要是决策面附近的数据，而那些离决策面较远的数据对分类性能影响不大。本文提出一种基于SVM-KNN局部样本支持向量机的分类方法。<br>　　

在Musk和Corel数据集实验中所得结果表明，集成学习的确能显著提高多示例学习算法的泛化能力。SVM-KNN局部样本支持向量机方法也提高了MI-SVM和mi-SVM分类精度。

7.期刊论文 蔡铁.伍星.李烨.CAI Tie.WU Xing.LI Ye 集成学习中基于离散化方法的基分类器构造研究 -计算机应用2008,28(8)

为构造集成学习中具有差异性的基分类器,提出基于数据离散化的基分类器构造方法,并用于支持向量机集成.该方法采用粗糙集和布尔推理离散化算法处理训练样本集,能有效删除不相关和冗余的属性,提高基分类器的准确性和差异性.实验结果表明,所提方法能取得比传统集成学习算法Bagging和Adaboost更好的性能.

8.学位论文 田慧 支持向量机集成及在音乐分类中的应用 2009

随着通信技术和计算机技术，尤其是Internet的飞速发展，各种各样的信息成几何级数增长，人们也更有机会接触到大量的多媒体内容，如图像、视频、音频等。这些多媒体数据已经逐渐成为信息处理领域中主要的信息媒体形式。但是随着数据量的快速增长，如何自动的对这些内容进行管理就成为了一个突出的问题。特别是对于身边日益繁多的海量音乐信息，人们要求有快速高效的方法对它们进行分类管理(根据音乐流派或演唱者等)。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说高考高中多源性数据SVM集成算法研究(1)(5)在线全文阅读。