利用旋转森林变换的异构多分类器集成算法

为了增强集成系统中各分类器之间的差异性,提出了一种使用旋转森林策略集成两种不同模型分类器的方法,即异构多分类器集成学习算法．首先采用旋转森林对原始样本集进行变换划分,获得新的样本集;然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器,并对新样本集进行分类,获得其预测标记;最后结合两种模型下的预测标记．该算法通过结合两种不同分类器模型,实现了精度和速度互补,将二者混合集成后改善了集成系统泛化误差,相比单个模型集成提高了系统分类性能．对UCI数据集和遥感图像数据集的仿真实验结果表明,文中算法相比单一分类器集成缩短了运行时间,同时提高了系统的分类准确率．     

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。     

整数矩阵变换的选择集成及对雷达目标的识别

为了改善单个分类器对雷达目标的识别性能,分别从差异性和准确率两个因素出发,提出了一种通过变换分类器选择集成对雷达目标识别的算法.首先,为了增加集成个体差异性,将个体分类器的预测标记作为变换的原始目标,将正确标记引入来代替变换中的目标均值,以此构造一个整数矩阵.通过将个体分类器的预测标记投影到经过正确标记的直线上,从而获得一组新的预测标记.然后,根据准确率和RPFmeasure这两种衡量分类器性能的准则,选择一些性能提高了的个体进行集成,以此保证个体分类器的准确率.最后,通过结合被选择的个体预测标记来改善对雷达目标的识别性能.对于UCI机器学习资源库中数据集和雷达一维距离像的实验结果表明,该算法能有效平衡个体差异性和个体准确率两个因素,并且相比单个分类器和其他集成方法,该方法提高了对雷达目标的识别准确率.