基于模糊积分和遗传算法的分类器组合算法

将多个分类器进行组合能提高分类精度。基于模糊测度的Sugeno和Choquet积分具有理想的特性,因此该文利用其进行分类器组合。然而在实际中难以求得模糊测度。该文利用两种方法求取模糊测度,一是分类器对样本数据的分类能力,另一种是根据遗传算法。这两种方法均考虑了每个分类器对不同类的分类能力不同这一经验知识。实验中对UCI中的几个数据库进行了测试,同时将该组合方法应用于一多传感器融合工件识别系统。测试结果表明了该算法是一种计算简便、精度较高的分类器组合方法。     

基于遗传算法和模糊积分的多分类器集成

多分类器联合是解决复杂模式识别问题的有效办法。模糊积分是其中一种多分类器联合方法。但是对于模糊积分。如何计算模糊积分密度是一个尚未解决的问题。本文提出了一种基于模糊积分和遗传算法的分类器集成方法,该方法利用遗传算法计算模糊积分密度函数,再利用模糊积分把分类器输出信息联合起来。实验结果表明,该方法比其他方法能够得到更好的识别性能。     

基于遗传算法的组合式分类器选择

本文讨论了多分类器组合中的分类器选择问题,提出一种基于遗传算法的分类器选择算法,此算法可以快速选出有效的分类器参与组合.文中给出了指定分类器数目和任意分类器数目两种情况下分类器选择的算法.最后在CENPARMI手写体数字数据库上验证了我们的算法和结论.实验结果表明,此种分类器选择算法具有较好的性能.     

一种模糊分类器集成的方法

提出了一种基于模糊积分的模糊分类器集成的方法,该方法能在模糊分类器生成过程中,进一步减少主观因素的参与成份,使分类模器具有更好的稳定性和更高的分类识别率。给出了基于隶属度矩阵的模糊积分密度确定方法,介绍了基于模糊积分的分类器集成算法。用权威的数据集作为实验数据集,将提出方法与已有的分类器集成方法进行实验比较,评测了所提出方法的有效性。     

基于亲缘选择的遗传算法

针对传统遗传算法容易陷入局部最优解的缺陷,借鉴生物中亲缘选择的思想,提出基于亲缘选择的遗传算法。该算法构造新选择算子,通过按亲缘关系放弃一个解而获得另一个解来保证算法在最优解的领域内的有效搜索,提高遗传算法对全局最优解的搜索能力和收敛速度。仿真结果表明,该算法正确有效,性能优于现有的传统算法。     

基于遗传算法的学习分类器系统研究

分析了基于遗传算法的学习分类器系统的体系结构,并对消息与分类器匹配、桶队列算法信用分配以及基于遗传算法的规则发现等关键技术进行了研究,推导证明了利用桶队列算法更新分类器强度的收敛性理论,通过对六值布尔函数的学习,进一步对学习分类器系统的学习性能、分类器强度更新收敛性进行了仿真验证。     

基于分类器融合的骨髓细胞识别研究

骨髓是人体的主要造血器官,骨髓细胞在形态、种类、数目上的变化往往反映出一些重要疾病的信息。对骨髓涂片图像中的细胞进行分类识别和计数,对辅助临床诊断有着重要意义。论文在采用改进型遗传算法进行特征优选的基础上,提出了基于信息熵的成员分类器动态选择和自适应模糊积分分类器融合的骨髓细胞识别算法,进而采用临床病例证明了该识别方法的有效性。     

基于分类器的图像模糊边缘检测快速算法

通过对Pal King边缘检测算法的分析,提出了一种新的模糊边缘检测快速算法。首先对图像进行模糊增强,然后依据当前像素及其8-邻域像素的灰度,设计了一个分类器,通过计算相对于该分类器的模糊隶属度函数值,对像素进行边缘分类;最后锐化所得的边缘像素,剔除噪声。算法抛弃了Pal King方法中复杂的迭代运算,同时也克服了Pal King算法中对图像低灰度值边缘信息的丢失,还可以通过设置不同的参数来检测不同细节的边缘。实验结果表明,该快速算法比Pal King算法的边缘检测能力更强,同时运算速度提高了约20倍。     

基于多维数据雷达图表示的图形分类器研究

分析介绍了用雷达图表示多维数据以及雷达图的图形特征选取和融合的基本方法,提出了一种基于多维数据雷达图表达的可视化图形分类新方法,该方法用雷达图表示多维数据,不同类别的多维数据对应不同的雷达图形,形成以雷达图形特征为表达主要特征的分类方法。并通过模糊推理方来来自动识别雷达图形,完成自动分类。实验表明,此方法简单、直观,实现了分类过程可视化、分类结果可视化,并且有良好的分类效果。     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的遗传算法,引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力。同时,用改进的遗传算法和基本的遗传算法训练神经网络构造分类器,实验结果表明,改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

Strong,Stable, and Reliable Fitness Pressure in XCS due to Tournament Selection

Recent analysis of the XCS classifier system have shown that successful genetic learning strongly depends on the amount of fitness pressure towards accurate classifiers. Since the traditionally used proportionate selection is dependent on fitness scaling and fitness distribution, the resulting evolutionary fitness pressure may be neither stable nor sufficiently strong. Thus, we apply tournament selection to XCS. In particular, we exhibit the weakness of proportionate selection and suggest tournament selection as a more reliable alternative. We show that tournament selection results in a learning classifier system that is more parameter independent, noise independent, and more efficient in exploiting fitness guidance in single-step problems as well as multistep problems. The evolving population is more focused on promising subregions of the problem space and thus finds the desired accurate, maximally general representation faster and more reliably.     

基于余弦相似性的m-类分类器设计与算法实现

多分类问题是机器学习领域中重点研究对象之一,如何将2分类问题的解决方法推广到多分类问题是近几年研的热点.论文利用余弦相似性来刻画样本点的相似度并将余弦相似性引入到2-类分类器,在此基础上构建了肝类分类器,即基于余弦相似性的多类分类器.通过UCI数据集上的实验分析可知,CSMC达到了与现有多类分类器相当的分类性能,为处理多分类问题提供了新思路,具有较好的科研和应用价值.     

基于特征选取及模糊学习的网页分类方法研究

www上的信息极大丰富 ,为准确地从网页中提取有用信息 ,发展一个自动的分类器已成为当务之急 .由于文本集中关键词的数量很多 ,分类存在巨大的维度问题 ,并且以往大多数分类器或者工作速度慢 ,或者不具有自学习功能 .本文提出了一种基于相似度的特征选择算法和适应模糊学习算法来实现分类 .特征选择算法用来解决巨大维度问题 ,提高分类速度 ,适应模糊学习算法为分类提供学习人类知识的能力 ,提高准确率     

一种基于子域搜索的高效遗传算法

论文根据机器学习的思想利用有限离散的方法设计了一种新的实数编码遗传算法——基于子域搜索的遗传算法(SBGA),该算法能够根据学习规则记忆前面搜索过的样本点信息,并利用这些信息指导后续的搜索。理论分析和数值仿真都表明了算法的稳健性,能够消除过早收敛现象,处理复杂约束,避免重复采样等。     

一种动态特征选取方法及其在故障诊断中的应用

针对高铁故障数据的特点,以高速列车走行部(主要指转向架)常见故障的实测数据为研究对象,提出一种动态特征选取方法。通过结合Fisher比率和模糊熵方法对其特征空间进行评估,有效去除冗余特征,利用加权平均方法选取优化的特征子集,从而实现故障分类。实验结果表明,与Fisher比率方法、模糊熵方法相比,该方法能提高不同列车速度下高铁故障的分类准确度及低速时的分类稳定性;与原特征空间方法相比,使用该方法提取最优特征空间后各列车速度下的分类准确率平均提高了5.2%。     

一种防止浮点遗传算法早熟收敛的父代选择策略

通过对浮点遗传算法早熟收敛现象的分析,提出了一种新的父代选择策略,既使用当前代的子代个体作为下代的父代个体,可使交叉算子持续地探索和开发新空间。引入对个体的代数保护策略,即在它发生变异前保证有足够的演化,可以避免对新空间不成熟的开发。通过与其它父代选择策略的对比,并通过实验和GENOCOP系统比较,表明本方法能得到较好的结果。     

A new classifier ensemble methodology based on subspace learning

Different classifiers with different characteristics and methodologies can complement each other and cover their internal weaknesses; so classifier ensemble is an important approach to handle the weakness of single classifier based systems. In this article we explore an automatic and fast function to approximate the accuracy of a given classifier on a typical dataset. Then employing the function, we can convert the ensemble learning to an optimisation problem. So, in this article, the target is to achieve a model to approximate the performance of a predetermined classifier over each arbitrary dataset. According to this model, an optimisation problem is designed and a genetic algorithm is employed as an optimiser to explore the best classifier set in each subspace. The proposed ensemble methodology is called classifier ensemble based on subspace learning (CEBSL). CEBSL is examined on some datasets and it shows considerable improvements.     

适合大规模数据集且基于LLM的0阶TSK模糊分类器

针对传统分类器的泛化性能差、可解释性及学习效率低等问题, 提出0阶TSK-FC模糊分类器.为了将该分类器 应用到大规模数据的分类中, 提出增量式0阶TSK-IFC模糊分类器, 采用增量式模糊聚类算 法(IFCM($c+p$))训练模糊规则参数并通过适当的矩阵变换提升参数学习效率.仿真实验表明, 与FCPM-IRLS模糊分类器、径向基函数神经网 络相比, 所提出的模糊分类器在不同规模数据集中均能保持很好的性能, 且TSK-IFC模糊分类器在大规模数据分类中尤为突出.