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。     

基于差异性度量的多分类器集成系统设计

为了解决在分类器集成过程中分类性能要求高和集成过程复杂等问题,分析常规集成方法的优缺点,研究已有的分类器差异性度量方法,提出了筛选差异性尽可能大的分类器作为基分类器而构建的一个层级式分类器集成系统.构建不同的基分类器,选择准确率较高的备选,分析其差异性,选出差异大的分类器作为系统所需基分类器,构成集成系统.通过在UCI数据集上进行的试验,获得了很好的分类识别效果,验证了这种分类集成系统的优越性.     

多分类器选择集成方法

针对目前人们对分类性能的高要求和多分类器集成实现的复杂性,从基分类器准确率和基分类器间差异性两方面出发,提出了一种新的多分类器选择集成算法。该算法首先从生成的基分类器中选择出分类准确率较高的,然后利用分类器差异性度量来选择差异性大的高性能基分类器,在分类器集成之前先对分类器集进行选择获得新的分类器集。在UCI数据库上的实验结果证明,该方法优于bagging方法,取得了很好的分类识别效果。     

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.     

最小距离分类器的改进算法--加权最小距离分类器

最小距离分类器是一种简单而有效的分类方法。为了提高最小距离分类器的分类性能,主要的改进方法是选择更有效的距离度量。通过分析多重限制分类器和决策树分类器的分类原则,提出了基于标准化欧式距离的加权最小距离分类器。该分类器通过对标称型和字符串型属性的距离的加权定义。以及增加属性值的范围约束,扩大了最小标准化欧式距离分类器的适用范围,同时提高了其分类准确率。实验结果表明,加权最小距离分类器具有较高的分类准确率。     

一种用于手写体汉字识别的侯选字加权多分类器集成方法

提出了一种基于候选字加权的多分类器集成方法,并将其应用于手写体汉字的识别研究中。利用4种不同的特征提取方法构造了4个独立的分类器,利用不同分类器各候选字加权处理得到的置信度函数来构成集成函数,从而将4个独立的分类器集成为一个多分类器系统。通过实验分析了几种分类器集成的方法,验证了具有一定互补性的多分类器集成对手写体汉字的识别率有较大的提高。实验结果表明,所提出的方法是行之有效的。     

基于PSO拓展的多分类器加权集成方法

在多分类器集成时,每个基分类器的效能不同,如每个权值都相同,则会影响基分类器发挥作用。基于此,提出基于PSO拓展的多分类器加权集成方法BCPSO。该方法采用随机子空间生成各个独立的子分类器,输出结果通过各分类器加权投票组合规则集成。实验结果表明,该方法有效可行,具有较高的分类正确率。     

基于多分类器集成的手写体金融汉字识别

用基于遗传算法的全局优化技术动态地选择一组分类器,并根据应用的背景,采用合适的集成规则进行集成,从而综合了不同分类器的优势和互补性,提高了分类性能。实验结果表明,通过将遗传算法引入到多分类器集成系统的设计过程,其分类性能明显优于传统的单分类器的分类方法。     

基于密度和混合距离度量方法的混合属性数据聚类研究

针对基于密度的传统算法不能处理混合属性数据,以及目前的混合属性聚类算法大多数聚类质量不高等问题,提出了基于密度和混合距离度量方法的混合属性聚类算法.该算法通过分析混合属性数据特征,将混合属性数据分为数值占优、分类占优和均衡型混合属性数据3类,分析不同情况的特征选取相应的距离度量方式,通过预设参数能够发现数据密集区域,确定核心点,再利用核心点确定密度相连的对象实现聚类,获得最终的聚类结果.将算法应用于多种数据集上的实验结果表明,该算法具有较高的聚类质量,能够有效处理混合属性数据.     

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。     

基于带权欧拉距离的PE文件壳检测技术

越来越多的恶意软件出现在网络上。恶意软件作者通过网络将软件中的恶意代码植入用户的电脑中,从而达到诸如获得用户名与密码的非法目的。为了阻止它们对用户电脑的侵害,软件分析人员必须分析恶意软件的工作原理。但是,如果这些恶意软件加壳,那么分析它们就会变得非常困难,因此必须对他们进行脱壳。脱壳的第一步即检测这些恶意软件是否加壳。本文通过对未加壳和已经加壳的软件PE头部进行分析与比较,提出了带权欧拉距离PE文件壳检测(PDWED)算法,其中包括构造一个含有10个元素的向量,并为每个向量中每个元素分配一个权重值,计算向量的带权欧拉距离。实验结果表明,PDWED能够比较快速而又准确地检测软件是否加壳。     

基于装袋GEP分类器集成的信用评估

为提高信用评估的预测精度,提出一种基于装袋的基因表达式编程(GEP)多分类器集成算法。该算法采用Bagging方法将GEP产生的多个差异基分类器进行集成。在德国信用数据库真实数据集上的实验及性能分析表明,该算法较SVM算法的预测精度提高约2.7%;较KNN(K=17)算法的预测精度提高约7.93%;较单GEP分类算法的预测精度提高约1.1%。     

改进的基于欧氏距离测度网格模型体素化算法

在基于到网格多边形表面的法矢量函数作为距离标准的体素化算法的基础上,提出以多边形面的最小包围盒作为计算单元,以欧式距离作为测度实现网格模型的体素化,极大地提高了计算速度,使得只能在图形工作站上实现的算法在微机平台上得以实现．针对通常采用Flooding操作判断内外体素、但应用于存在封闭空腔的模型时将会产生错误的情况,设计了一种根据体素标志位序列判断内外体素的算法．     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

基于加权欧式距离的替代率估算方法

为正确估算产品间的替代率,提高需求预测准确率,提出一种基于加权欧式距离的邻近替代率估计方法,建立基于支持向量机的需求预测模型。在洗面奶数据集中的应用结果表明,该方法预测精度较高,具有客观性和有效性。     

基于脉冲法的高速测距技术研究

基于脉冲法的高速测距方法中,速度和精度不能兼得。采用低通滤波的方法,实现了采样速度在2000Hz,测距范围在20m范围的情况下,测距精度在±4mm的目的。大范围、高精度、快速地测距模块可以大大提高航空航天、大地测量、船舶制造等领域的技术水平。     

基于类别平均距离的加权KNN分类算法

本文提出了一种改进的KNN分类算法,利用样本集合中同类别样本点间距离都十分接近的特点辅助KNN算法分类．将待分类样本点的K个最近邻样本点分别求出样本点所属类别的类别平均距离和样本点与待分类样本点距离的差值比,如果大于一个阈值,就将该样本点从K个最近邻的样本点中删除,再用此差值比对不同类别的样本点个数进行加权后执行多数投票,来决定待分类样本点所属的类别．改进后的KNN算法提高了分类的精度,并且时问复杂度与传统KNN算法相当．     

人脸识别算法研究--基于图像多路正交投影和最小类距离分类器

论文提出了基于图像多路正交投影和最小距离分类器的人脸识别方法。该方法与Fisherfaces方法相比,是基于图像矩阵的,故它的突出优点是极大地提高了特征提取的速度;与最近邻分类法相比,论文提出的最小类距离分类法,在识别性能上有明显的改善。最后,在ORL标准人脸库上的实验结果表明,其特征提取的速度是Fisherfaces特征提取速度的14倍;在相同的特征维数下,识别性能与最近邻法相比也得到较大的提高。