基于分类器组合增量集成的远程教育学生表现预测*

针对远程教育中传统的集成算法通常以批模式方式运行而导致其在连续生成数据的情况下不可用的问题,提出了一种基于分类器组合增量集成的远程教育学生表现预测算法。首先,简要介绍了三种备受关注的集成分类算法：朴素贝叶斯的增量版本、1‐NN和WINNOW算法;然后,在训练数据集上利用三种算法产生各自的假说;最后,将三种假说进行集成,并利用投票方法预测学生的表现。在希腊远程教育大学“信息”课程提供的训练集 HOU 上的实验结果表明,相比其它几种较好的分类器,该文算法取得了更好的分类精度和更少的训练时间,为教师提供了强有力的学生表现预测工具。     

基于异构分类器集成的增量学习算法

将集成学习的思想引入到增量学习之中可以显著提升学习效果,近年关于集成式增量学习的研究大多采用加权投票的方式将多个同质分类器进行结合,并没有很好地解决增量学习中的稳定-可塑性难题。针对此提出了一种异构分类器集成增量学习算法。该算法在训练过程中,为使模型更具稳定性,用新数据训练多个基分类器加入到异构的集成模型之中,同时采用局部敏感哈希表保存数据梗概以备待测样本近邻的查找;为了适应不断变化的数据,还会用新获得的数据更新集成模型中基分类器的投票权重;对待测样本进行类别预测时,以局部敏感哈希表中与待测样本相似的数据作为桥梁,计算基分类器针对该待测样本的动态权重,结合多个基分类器的投票权重和动态权重判定待测样本所属类别。通过对比实验,证明了该增量算法有比较高的稳定性和泛化能力。     

集成学习中基于离散化方法的基分类器构造研究

为构造集成学习中具有差异性的基分类器,提出基于数据离散化的基分类器构造方法,并用于支持向量机集成。该方法采用粗糙集和布尔推理离散化算法处理训练样本集,能有效删除不相关和冗余的属性,提高基分类器的准确性和差异性。实验结果表明,所提方法能取得比传统集成学习算法Bagging和Adaboost更好的性能。     

朴素贝叶斯分类器在地形评估中的应用方法

针对目前流行的评估方法的缺点以及实际问题的具体情况,提出将朴素贝叶斯分类器应用在地形评估中。具体方法是从用专家函数评估的数据库中提取训练样本,通过基于分布熵最小原则进行特征约减,再基于最优性条件进行属性离散化,最后基于共轭分布进行参数学习得到一个的分类器。待分类样本可以直接由贝叶斯分类器得出分类结果,并且根据增量学习理论,将分类结果作为训练新的分类器的训练样本,可以进一步提高分类精度。试验表明该方法的应用减少了评估时间,并且分类精度也令人满意。     

一类改进的最小距离分类器的增量学习算法

提出一种基于改进的最小距离分类器的增量学习算法,消除增量学习过程中产生的分类器内部结构的相互干扰,使分类器既能记住已学习的知识,又能学习新知识.增量学习需要对分类器结构进行调整,必须使用有代表性的已学习样本帮助分类器在学习新知识时复习旧知识.针对正态分布的样本集提出一种筛选算法,只保留有代表性的少量样本,大大减少存储消耗和重新训练的计算开销.实验结果证明该算法对样本的识别准确率高,在有效识别新样本的同时对以前学习的样本也保持较高的识别率,消耗存储空间小.     

应用遗传算法构建化学模式分类器

神经网络和统计分析所构建的分类器均为复杂算式,难以体现专业知识;而分类规则直接以属性值为条件,确定个体类别,易于专业分析。对于连续属性的样本数据,本文应用基于信息熵的Chi-merge方法将其离散化,并将提取最优规则转换为组合优化问题,进而采用遗传算法求解。为此,本文将规则提取演绎为种群进化,并设计了个体适应度函数。由此提取出最优的分类规则,经过修剪处理后,与判别准则一起构成模式分类器。本文将其应用于橄榄油产地判别,所建立的分类器简单明了,规则数少,性能良好,适用于化学模式分类。     

增量式贝叶斯分类器在交通拥堵判别中的应用

为有效发现道路交通拥堵状态,提出基于增量式贝叶斯分类器的交通拥堵判别方法.该方法把交通拥堵是否发生看成是特殊的分类问题,选取增量式贝叶斯分类器,根据以往是否发生交通拥堵的检测数据,即分别把在发生交通拥堵和不发生交通拥堵两种情况下的交通参数作为特征参数对其进行训练,然后用得到的分类器对检测到的交通参数进行分类,判别是否发生交通拥堵.微观交通仿真数据表明该方法的可行性和有效性.     

基于类别信息的分类器集成方法Cagging

提出一种基于类别信息的分类器集成方法Cagging.基于类别信息重复选择样本生成基本分类器的训练集,增强了基本分类器之间的差异性;利用基本分类器对不同模式类的分类能力为每个基本分类器设置一组权重.使用权重对各分类器输出结果进行加权决策,较好地利用了各个基本分类器之间的差异性.在人脸图像库ORL上的实验验证了Cagging的有效性.此外,Cagging方法的基本分类器生成方式适合于通过增量学习生成集成分类器,扩展Cagging设计了基于增量学习的分类器集成方法Cagging-Ⅰ,实验验证了它的有效性.     

基于免疫算法的分类器设计

结合免疫算法强大的自适应识别能力以及全局搜索能力,提出了一种基于人工免疫原理的分类器.根据生物免疫的基因进化、否定选择以及克隆选择原理,建立分类器算法的数学模型并设计了一个基于免疫算法的分类器.最后利用该分类器对手写数字识别问题进行测试.与其他分类算法的实验结果比较表明,该算法在识别率和识别性能方面具备相当竞争力.     

基于TAN分类器的大学生英语学习行为模式研究

大学生的外语教学一直是大学教学的重要组成部分,而如何更好地有针对性地改进大学外语教学一直是研究的重点。针对以上问题,对学生的行为进行了调查,进而在调查的基础上应用TAN分类器对学生的行为模式进行了分类,并对分类的结果进行了分析。     

基于人工免疫分类器的高速公路事件检测

采用一种有限资源人工免疫分类器研究高速公路事件检测问题.阐述了人工免疫识别系统(AIRS)的算法,然后分析了高速公路事件对交通流的影响,并选取多个时刻的上游流量、上游占有率和下游流量、下游占有率作为AIRS的输入量,最后用高速公路管理部门提供的样本数据进行了仿真实验.实验结果表明,人工免疫分类器具有很快的学习速度和较高的分类精度,它为高速公路事件检测提供了一种切实可行的新途径.     

Selected tree classifier combination based on both accuracy and error diversity

This paper proposes a method for combining multiple tree classifiers based on both classifier ensemble (bagging) and dynamic classifier selection schemes (DCS). The proposed method is composed of the following procedures: (1) building individual tree classifiers based on bootstrap samples; (2) calculating the distance between all possible two trees; (3) clustering the trees based on single linkage clustering; (4) selecting two clusters by local region in terms of accuracy and error diversity; and (5) voting the results of tree classifiers selected in the two clusters. Empirical evaluation using publicly available data sets confirms the superiority of our proposed approach over other classifier combining methods.     

人工免疫系统和云模型用于图像分割

针对传统基于聚类的图像分割算法易于陷入局部最优解的问题,将人工免疫模型引入到了寻找聚类中心的过程中。鉴于抗体具有双价的免疫特性,以及将不被识别器识别也不属于自我抗原的抗原统一划为自我抗原或非自我抗原而产生的高误判率,在抗体识别抗原过程中引入云决策机制,增加了抗原划分的随机性和模糊性,提高了图像分割的质量。     

基于改进CS模型的免疫系统应答仿真

对基于细胞自动机理论的Celada Seida(CS)模型进行改进,仿真免疫系统应答。该模型能够对免疫系统中细胞和分子之间的相互作用进行仿真。模型在空间和时间上都是离散的,并可以模拟单个免疫细胞。给出了模拟免疫应答的具体仿真步骤,对原模型进行了简化,给出实验的结果。目的是通过该模型的研究,证明免疫系统模型是有用的,因为它们揭示了免疫系统有用的性能,进而可以用于研究解决生物学以外的工程问题的方法。     

基于免疫算法的可信软件系统四层本体模型

为提高软件的可信性,提出了一种基于免疫算法的可信软件系统本体模型。该模型将软件系统由内而外抽象为四层,即语义层、演化控制层、服务层和免疫过滤层,并详细阐述了各层结构和运行原理。该模型具有自我学习、自我调整和持续改进的能力,当领域知识发生变化后,维护人员可通过人工免疫疫苗注入实现系统的自主演化,从而确保系统具有相应的高可信属性,为可信软件开发提供方法论支持。     

高可信度加权的多分类器融合行为识别模型

为了提高基于智能移动设备的人体日常行为识别准确率,提出一种高可信度加权的多分类器融合行为识别模型（MCFM）。针对不同智能设备内置加速度传感器获取的三轴加速度信息,优选出与人体行为相关度高的特征集作为该模型的输入,将决策树、支持向量机以及反向传播（BP）神经网络三个基分类器通过高可信度加权投票算（HRWV）法训练出一个新的融合分类器。实验结果表明,所提出的分类器融合模型能有效提高行为识别的准确率,对静止、散步、跑步、上楼及下楼五种日常行为的平均识别准确率达到94.88%。     

基于多粒度免疫聚类的分类器设计

分析了基于均匀粒度的聚类方法构造分类器存在着与先验知识之间不协调的问题。提出了根据多粒度原理、基于人工免疫聚类来获取代表点集来构造分类器的方法,在一定程度上克服了聚类结果与先验知识之间的矛盾,并提高了分类器的分类准确度和推广性。实验结果表明基于此分类器的入侵检测的平均检测率和误报率都保持了较高的性能。     

基于AdaBoost的组合分类器在遥感影像分类中的应用

运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出,并引入混合判别多分类器综合规则,有效提高疑难类别的分类精度,进而提高分类的总精度.最后以天津地区ASTER影像为例,介绍了基于AdaBoost的组合分类算法,并在此基础上实现了天津地区的土地利用分类.分类结果表明,组合分类器能有效提高单个分类器的分类精度,分类总精度由81.13%提高到93.32%.实验表明基于AdaBoost的组合分类是遥感图像分类的一种新的有效方法.     

基于免疫系统的多模型控制算法

针对非线性、不确定复杂系统控制困难的问题,借鉴生物免疫系统面临不确定的外来抗原呈现出的超强识别能力,模拟后天免疫中主要对象间的关系模型,提出了一种基于免疫系统的多模型控制新算法IMMC。通过计算机仿真实验,显示出算法在系统发生突变时具有良好的适应性能,并在双圆盾构法隧道施工对地面沉降控制中,取得了良好的效果,说明算法具有很强的推广应用价值。     

一种新的基于SVM权重向量的云分类器*

提出了一种用支持向量机（SVM）权重向量解决高维对象分类的方法,并结合云理论建立了基于SVM权重向量的云分类器。采用云模型建立训练集的各属性模型,分类模型由属性模型集成得到,属性权重根据SVM权重向量得到,属性权重越大,其对分类的贡献越大;反之,越小。将新分类器与云模型分类器对积雨云、卷云和卷层云进行分类模拟实验,新分类器的分类准确度比后者总体提升了, 经过交叉验证, 结果表明新分类器性能稳定。