共查询到18条相似文献,搜索用时 109 毫秒
1.
基于遗传算法和模糊积分的多分类器集成 总被引:4,自引:0,他引:4
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。 相似文献
2.
3.
基于模糊神经网络的特征信息融合 总被引:2,自引:0,他引:2
研究多传感器特征信息融合问题。基于自适应模糊神经网络,提出一种新的特征信息融合算法。仿真结果表明,该方法计算量小,具有较强的处理不确定信息的能力和多种理想的融合特性等特点。 相似文献
4.
为了进一步提高网络入侵检测系统的检测性能,将模糊积分理论和神经网络技术应用到网络入侵检测中,提出了基于模糊积分的多神经网络融合模型MNNF。它的基本思想是按照TCP/IP属性集的类别不同将TCP/IP数据集分成三个不同属性集的子数据集,在不同属性集上训练形成不同的子神经网络,然后用模糊积分将多个子神经网络对TCP/IP数据的检测结果进行非线性融合形成最优判断。实验结果表明,MNNF模型应用在网络入侵检测中可以得到比单个神经网络更好的入侵检测性能。 相似文献
5.
给定一个模糊信息系统,可能找到多个重要的模糊属性子集,而且这些重要的模糊属性子集对决策有不同的贡献,会产生不同的影响.如果仅选择其中一个模糊属性子集进行决策,即使是最重要的一个,也会丢失隐含在其他重要的模糊属性子集中的可用信息.为了充分利用模糊信息系统中每个重要的模糊属性子集所提供的信息,提出了一种基于模糊积分的多模糊决策树融合方法.这种方法分3个步骤:1)通过模糊等价关系找到几个重要的模糊属性子集;2)对每个模糊属性子集,利用模糊ID3算法生成一棵模糊决策树;3)用模糊积分融合几棵模糊决策树.实验结果证明了用多模糊决策树融合方法比单模糊决策树分类效果更好. 相似文献
6.
7.
8.
基于模糊神经网络的信息融合技术研究 总被引:1,自引:1,他引:1
针对信息融合技术中目标融合识别的问题,根据人工神经网络和模糊系统的各自特点,形成一种模糊神经网络模型。首先将模糊系统用神经网络的结构表示,并采用相应的学习算法训练模糊神经网络实现模糊推理功能。最后对模糊神经网络模型进行仿真实验和结果分析。 相似文献
9.
基于小波系数模糊积分的图像融合算法研究 总被引:2,自引:1,他引:2
提出一种新的基于Choquet模糊积分的图像融合方法。首先利用小波系数的区域特征获取模糊积分的信度函数,其次根据局部窗口内的模糊边缘评价函数自适应地构造模糊密度,最后由Choquet模糊积分确定融合后的小波系数,从而得到融合图像。将此方法应用于微光与红外图像融合处理中,实验结果表明,Choquet模糊积分法可以使得最终的融合图像在空间细节信息的增强和光谱信息的保持两方面的综合性能得到提高。 相似文献
10.
11.
在借鉴传统的特征扫描技术的基础上,提出了一种基于n-gram分析的计算机病毒自动检测方法。本文将基于信息增益的特征选择技术引入集成神经网络的构建中,结合Bagging算法,同时扰动训练数据和输入属性生成精确且差异度大的个体分类器,在此基础上以集成的 BP神经网络为模式分类器实现对病毒的检测。该法并不针对某一特定病毒,是一种通用的病毒检测器。实验表明提出的检测方法具有较强的泛化能力和较高的精确率。 相似文献
12.
分类器融合中模糊积分理论研究进展 总被引:2,自引:0,他引:2
将模糊积分理论与多分类器融合方法中其他两种研究热点方法进行了比较.介绍模糊积分的基本模型及通用求解过程.讨论目前分类器融合领域模糊积分理论的几个研究方向的发展现状和面临的问题,分析模糊积分理论基本模型和几种扩展模型的求解算法.提出了分类器融合领域模糊积分理论未来理论和应用研究中的开放课题. 相似文献
13.
基于因果发现的神经网络集成方法 总被引:4,自引:0,他引:4
现有的神经网络集成方法主要通过扰动训练数据来产生精确且差异度较大的个体网络,从而获得较强的泛化能力.利用因果发现技术,在取样结果中找出类别属性的祖先属性,然后使用仅包含这些属性的数据生成个体网络,从而有效地将扰动训练数据与扰动输入属性结合起来,以产生精确度高且差异度大的个体.实验结果表明,该方法的泛化能力与当前一些流行的集成方法相当或更好. 相似文献
14.
一种基于神经网络集成的规则学习算法 总被引:8,自引:0,他引:8
将神经网络集成与规则学习相结合,提出了一种基于神经网络集成的规则学习算法.该算法以神经网络集成作为规则学习的前端,利用其产生出规则学习所用的数据集,在此基础上进行规则学习.在UCl机器学习数据库上的实验结果表明,该算法可以产生泛化能力非常强的规则. 相似文献
15.
聚类集成是机器学习中的新问题.它是利用同一数据集的多个聚类划分集成在一起,以提高聚类分析的性能.如何发现从多个划分中得到“consensus clustering”是一个很困难的问题.很多学者对此作了研究.本文提出了一种基于互信息的模糊聚类集成算法.该算法主要扩展了Strehl & Ghosh提出的基于互信息的聚类集成目标函数,将其应用到模糊划分的集成,同时利用类似于信息瓶颈聚类的算法进行求解.实验结果表明,在4个UCI的数据集上,基于互信息的聚类集成能获得良好的性能. 相似文献
16.
17.