支持向量机多类分类方法的精度分析

为了更好的选择合适的支持向量机多类分类器,对多类分类器one—against—the—rest及二叉树多类分类器的分类精度进行了理论分析,给出了定量的分类精度公式。公式表明,二叉树多类分类器的分类精度通常大于one—against—the—rest多类分类器的分类精度。在所有的二叉树多类分类器中,均衡二叉树多类分类器的分类精度最高,最不均衡二叉树多类分类器的分类精度最低。最后通过实验验证了理论分析的正确性。     

一种基于混淆矩阵的分类器选择方法

为充分利用分类器的差异性来提高分类器集成的准确率,提出一种分类器选择方法。基本思想是构造所有基分类器的混淆矩阵作为聚类算法的数据对象,根据各聚类中样本的分布选择出一定数量的分类器作为代表,构成新的待集成分类器集合。将该方法应用于Bagging算法的训练过程,通过实验对比,验证了该方法确实可以提高分类器集成性能。     

分级聚类支持向量机在汽轮机故障诊断中的应用

在两类支持向量机的基础上,综合分级聚类和决策树的思想构造多类支持向量机,从而简化了分类器结构,减少了分类器数量,避免了拒绝分类区的出现,并加快了训练和识别速度。在小样本情况下对多类汽轮发电机组故障进行了诊断研究,结果表明该方法能够正确地对故障进行识别。     

基于边界样本的训练样本选择方法

以入侵检测系统中的分类器设计为例，研究分类器训练样本选择问题。提出了一种大规模数据集的训练样本选择方法，首先通过聚类将训练数据划分成不同的子集缩小搜索范围；然后根据聚类内离散度和样本的覆盖区域选择样本，保留每个聚类的边界样本，删除内部样本。 即保留了典型样本，减少了训练样本数量，从而保证分类器的性能并且训练效率较高。     

TAN分类器结构等价类空间及其在分类器学习算法中的应用

为了认识树形贝叶斯网络(TAN)分类器结构中边的方向与分类精度的关系,以条件对数似然函数为优化目标,研究了TAN分类器结构空间和TAN分类器结构等价类空间,证明了随着训练数据集合的增大,TAN分类器结构中边的方向不对分类器的分类精度产生影响,并提出了一个不考虑边重定向的TAN分类器学习算法,用实验验证了其有效性.     

增量式贝叶斯分类的原理和算法

自动分类是数据挖掘和机器学习中非常重要的研究领域.针对难以获得大量有类标签的训练集问题，提出了基于小规模训练集的增量式贝叶斯分类，给出增量式贝叶斯分类机理参数计算及其算法.对算法分两种情况处理:第一种情况是新增样本有类别标签，则利用现有分类器检验其类标签，如果匹配则保留当前分类器，否则利用新样本修正分类器；第二种情况是新增样本无类别标签，则利用现有分类器为其训练类标签，然后利用新样本来修正分类器.实验结果表明，该算法是可行有效的，比简单贝叶斯分类算法有更高的精度.增量式贝叶斯分类算法的提出为分类器的更新提供了一条新途径.     

基于支持向量机的电力系统暂态稳定分类研究

研究了支持向量机在电力系统暂态稳定评估中的应用,设计了一个新的支持向量机分类器用于暂态稳定分类。基于支持向量机分类器的输出,把样本划分为 3 类:稳定类,不稳定类和边界区样本,减少了误分类,提高了暂态稳定评估结果的可靠性。在新英格兰 10 机 39 节点系统中的仿真结果验证了该分类器的分类效果。同时,将分类结果与传统 BP 算法的结果进行了比较,对模型参数对输出结果的影响和本方法的适用范围进行了分析。     

基于Adaboost-高斯过程分类的人脸表情识别

为了弥补Ababoost分类器分类精度不够、训练耗时的缺点,利用高斯过程分类器分类精度高、计算复杂度低的优势,提出一种改进的表情识别方法.该算法将高斯过程分类(GPC)和Adaboost的人脸表情识别算法相结合,在训练二分类Adaboost时利用高斯过程分类器训练弱分类器;把这些弱分类器组合成一个总分类器,将二分类Adaboost-GPC扩展为多类分类算法.采用Gabor提取面部表情特征,由于Gabor特征提取后存在维度变高、冗余大的问题,引入二维主成分分析(2DPCA)对Gabor特征进行选择.基于Cohn-Kanade和JAFFE数据库的实验结果表明,该算法在识别正确率和速度方面的表现均较好.     

一种用于不平衡数据的分类算法

为提高不平衡数据集中少数类的分类性能,本研究提出一种改进的AdaBoost算法(UnAdaBoost算法)来解决数据不平衡问题.该方法首先改进基分类器,使其在损失一定程度的多数类分类性能的情况下提高少数类的分类性能,而多数类分类性能的损失可通过后面的多个分类器集成弥补回来,这样既提高了少数类的分类性能又不会损失多数类的...     

在雷达HRRP识别中多特征融合多类分类器设计

在传统线性关联向量机的基础上,设计了一种多特征融合的多类分类器.该分类器基于多类Probit回归模型将传统的两类线性关联向量机推广为多类关联向量机,利用线性关联向量机的特征选择功能,对融合的高维特征向量进行降维和合理的幂次扩展,使线性关联向量机具有构造非线性分类界面的能力,以保证对非线性多类分类问题稳健的融合识别性能.针对雷达高分辨距离像目标识别问题,提取3种平移不变特征,使用提出的多特征融合的多类分类器在基于实测数据的识别实验中得到了稳健的融合识别结果.