基于自适应距离度量的最小距离分类器集成

提出了一种基于自适应距离度量的最小距离分类器集成方法,给出了个体分类器的生成方法。首先用Bootstrap技术对训练样本集进行可重复采样,生成若干个子样本集,应用生成的子样本集建立自适应距离度量模型,根据建立的模型对子样本集进行训练,生成个体分类器。在集成中,将结果用相对多数投票法集成最终的结论。采用UCI标准数据集实验,将该方法与已有方法进行了性能比较,结果表明基于自适应距离度量的最小距离分类器集成是最有效的。     

最小海明距离分类器的字符识别方法研究

应用最小海明距离(Hamming Distance,缩写HD)分类器,研制了一种新型的基于最小海明分类器的字符识别方法。讨论了该字符识别方法实现的技术路线,较好解决了理论的工程化应用问题,对500帧连续图像的时间字符进行实验,时间字符识别准确率为99.8%,达到了字符比较准确识别的目的。     

基于混合多距离度量的多分类器加权集成研究

在机器学习领域,分类器加权在小样本数据集中的分类正确率较低。为此,提出一种基于混合距离度量的多分类器加权集成方法。结合欧氏距离、曼哈顿距离、切比雪夫距离,设计混合的距离度量加权方法,使用加权投票组合规则集成各分类器的输出结果。实验结果表明,该方法鲁棒性较好,分类正确率较高。     

一种改进的最小距离分类器NN-MDC

为了提高最小距离分类器的性能,在其基础上提出了一种改进MDC——NN-MDC:它先对训练样本进行修剪,根据每个样本与其最近邻类标的异同决定其取舍,然后再用剩余的训练样本训练得到分类器。采用UCI标准数据集实验,结果表明本文所提出的NN-MDC与MDC相比具有较高的分类精度。     

基于KL距离的TAN分类器判别性学习方法

树增强朴素贝叶斯(TAN)分类器在模型的复杂性和分类精度之间实现较好折衷,成为当前分类器学习的一个研究热点.为了提高TAN分类器的分类准确率,本文提出一种基于KL距离的TAN分类器判别性学习方法.首先用EAR方法学习TAN分类器的结构,然后用基于KL距离的目标函数优化TAN的参数.在标准数据集上的实验结果表明,用该方法学习的TAN分类器具有较高的分类精度.     

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.     

基于最小距离分类器的Android恶意软件检测方案

针对Android手机应用商店对大规模软件的安全性检测问题,提出了一套轻量级恶意软件检测方案。该方案首先分析大量恶意软件和正常软件样本的权限信息,再对权限频率特征去冗余,最后利用最小距离分类器进行软件分类。实验结果表明该方案的可行性,通过与其他方案对比,在方案复杂度和检测效果上表现出优越性,可以应用于大规模恶意软件的初步检测。     

基于Box-Cox变换的分类器性能改进

贝叶斯分类器、最小距离分类器、近邻分类器和BP网络等是比较常用的分类器,为提高这些分类器的性能,引入了Box—Cox变换的思想。将Box—Cox变换用于数据正态化处理技术,并对常用分类器的性能进行改进。实验结果显示,通过引入Box—Cox变换,分类器的分类正确率有较大的提高。     

基于自适应距离度量的分类器设计方法

通过对欧氏距离度量的分析,提出了自适应距离度量.首先利用训练样本建立自适应距离度量模型,该模型保证了训练样本到相同模式类的距离最近,到不同模式类的距离最远,根据该模型建立目标函数,求解目标函数,得到最优权重.基于最小距离分类器和K近邻分类器,采用UCI标准数据库中部分数据,对提出的自适应距离度量和欧氏距离度量进行了实验比较,实验结果表明自适应距离度量更有效.     

动态加权投票的多分类器聚合

在使用多分类器系统时,一种流行的方法是采用简单的多数投票策略来聚合多分类器。然而,当各个独立的分类器的性能不统一时,这种简单的多数投票规则会对分类结果造成负面影响。引入一种新的动态加权函数来聚合多个分类器,动态加权函数通过增加分类结果距离样本最近的分类器的权值来提高分类器的性能。在UCI机器学习数据库中的几个现实问题数据集上的实验结果表明动态加权的多分类器聚合方法比简单的多数投票方法能取得更好的分类结果。     

消除光照和姿态变化影响的人脸识别

光照和姿态变化带来的影响是自动人脸识别的两个主要瓶颈问题。提出了消除这两方面影响的处理方法：首先对训练集里的图像应用灰度归一化处理,降低对光照强度的敏感度;然后进行姿态估计,并用特征脸方法计算不同姿态的特征子空间,最后提出了“姿态权重PWV（Pose’s Weight Value）”这一概念,据此设计了加权的最小距离分类器WMDC（Weighted Minimum Distance Classifier）,分配不同姿态权重消除姿态变化影响。在FERET和Yale B数据库上的实验结果表明,此方法能在很大程度上提高人脸光照和姿态改变时的识别率。     

Learning the kernel parameters in kernel minimum distance classifier

Choosing appropriate values for kernel parameters is one of the key problems in many kernel-based methods because the values of these parameters have significant impact on the performances of these methods. In this paper, a novel approach is proposed to learn the kernel parameters in kernel minimum distance (KMD) classifier, where the values of the kernel parameters are computed through optimizing an objective function designed for measuring the classification reliability of KMD. Experiments on both artificial and real-world datasets show that the proposed approach works well on learning kernel parameters of KMD.     

Automatic classification of cervical cells using a binary tree classifier

A k-means clustering algorithm for designing binary tree classifiers is introduced for the classification of cervical cells. At each nonterminal node of the designed binary tree classifier, two sets of effective feature are selected: one is based on the Bhattacharyya distance, a measure of separability between two classes; the other is based on the merits of classification accuracy. The classification result has shown the effectiveness of the features and the binary tree classifier used.     

聚类分片双支持向量域分类器

针对支持向量域分类器对大规模样本集的训练时间长且占用内存大的问题,构造聚类分片双支持向量域分类器。以均值聚类剖分原始空间,并选取密度指标大的样本作为初始聚类中心;对子空间构造双支持向量域分类器,根据样本与正负类最小包围超球的距离构造分段决策函数;定义样本的变尺度距离,以链接规则组合子空间的分类结果。数值实验表明,所提出算法的分类精度高且受参数变化的影响不大,分类时间短且随子空间数的增加而降低。     

基于可见光与红外数据融合的地形分类

针对单传感器地形分类效果不佳的问题,提出一种基于可见光与红外数据融合的地形分类方法。分别对可见光图像与红外图像提取特征,使用最近邻分类器和最小距离分类器进行后验概率估计,将来自不同特征、不同分类器的后验概率加权组合,通过散度计算得到特征的权重,实验确定分类器的权重,并在最小距离的后验概率估计中,使用马氏距离代替欧氏距离。实验结果表明,该方法对水泥路和沙子路的识别率分别达到99.33%和96.67%,均高于同类方法。     

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.     

一种改进的强分类器优化算法

在Gentle Adaboost算法中,强分类器由弱分类器线性组成,但这种组合并不能保证强分类器是最优的.因此,提出一种基于分类结果的优化方法.算法模拟弱分类器系数增加或减少对分类结果的影响,选择最利于分类的系数调整方向,设计了优化机制.在MIT人脸数据库上的仿真实验表明,分类器优化后,检测精度得到了提高.     

基于聚类与链码技术的交通标志检测

交通标志的有效检测是交通标志识别系统中的关键步骤;提出一种基于颜色和形状的交通标志检测新方法,首先由最小欧式距离的聚类分析方法以及特征量与聚类中心的向量积提取夹角正弦方法,构造两级颜色特征分类器并通过训练实现优化分割,然后对滤波后图像边界跟踪,利用新的链码方法实现区域的拐角点提取,最后由几何特征判定区域的形状进行定位,实现交通标志的检测;实验结果表明,该方法在不同气候条件下的平均检测率达92.96%,优于同类方法且具有较高的鲁棒性。