排序方式: 共有5条查询结果,搜索用时 140 毫秒
1
1.
对于多分类问题,大多是经二分类器组合进行训练的,在分类类别多、特征维数高时,存在识别准确率不高和训练速度较慢的问题。将超球支持向量机应用到多类问题,为每个类建立一个超球体模型,通过多个超球体划分样本空间。采用改进的基于排挤的小生境遗传算法(improved crowding niche genetic algorithm,ICNGA)进行特征选择,为不同的目标类别寻找最优的特征子集,优化超球支持向量机的输入。利用UCI标准数据集的数值实验表明,在分类数据类别较多、特征维数较高时,经过ICNGA特征选择之后的多超球支持向量机的识别准确度更好,非常适合解决类别数多、特征维数高的分类问题。 相似文献
2.
3.
针对传统SMOTE过采样方法在生成合成样本的过程中存在的盲目性,以及对噪声敏感且容易出现过拟合现象的问题,提出一种改进的聚类边界样本过采样(CB-SMOTE)方法,通过引入“聚类一致性系数”找到少数类样本的边界,利用边界样本的最近邻密度来剔除噪声点和确定合成样本的数量,对SMOTE方法的新样本合成规则进行了优化.该方法是一种指导性的过采样方法,合成样本更加有利于分类器的学习.通过实验对比6种不同方法在UCI公共数据集上的分类性能,结果表明:CB-SMOTE方法对少数类样本和多数类样本都具有较高的分类准确率,且对过采样倍数的变化具有更高的稳定性. 相似文献
4.
为了提高无线传感器网络信息融合的效率, 提出一种多传感器二维特征融合(2DFF)策略. 将多个传感器标准化后的特征集组合成二维特征矩阵, 引入图像压缩技术, 包括二维主成分分析(2DPCA)及MatPCA对特征矩阵进行特征提取, 实现特征融合. 从理论上剖析该方法之所以能够有效地适用于特征融合, 且区别于传统方法的内在本质. 相比传统的特征融合方法, 该方法能够获得更加精确的融合特征, 提高信息融合的效率. 基于实地采集的地面目标信号的实验结果表明,该方法既提高目标识别率, 又降低了计算复杂度. 相似文献
5.
1