一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。      

几种典型模式识别分类器武断性的分析

尽管模式识别分类方法已经发展得比较成熟,然而,诸如反向传播算法(BP)、Bayesian方法、支持向量机法(SVM)、自组织映射法(SOM)等经典分类方法,总是具有不同程度的武断特性.所谓武断,以人而言,就是针对某个问题,若决策者依据其经验作出"自信"的判决,而该判决远远超出其经验能力的水平,甚至是完全错误的,则说其决策是武断的.同样,经典的模式分类器表现出类似的武断特性.假定某个输入的特征向量,如果分类器的精度很高但经验很低,就说它在分类时是武断的.一个典型的表象是,对一个全新的、与原有训练样本差异显著的样本,传统分类器往往决然而错误地将其分成已知的类别.很显然,分类器的武断性是一种不受欢迎的性质.对多个经典分类器武断性特点进行了深入分析.     

基于RSOM和KNN的图像内容检索

RSOM树是一种以SOM网络为节点的层次化聚类树,可以实现将空间上彼此靠近的数据点聚合在树中相同的节点中,它可作为图像索引支持最近邻检索,高效且不必线性扫描高维、海量的数据库。通过提取图像低层特征构成每个图像的特征向量,在此基础上构造基于RSOM树的图像特征索引库,并运用KNN检索实现基于样例的检索。实验证明,无论从特征空间维数、检索性能、样本容量方面都具有良好的性能。