集成學習是一種可以有效改善分類系統(tǒng)性能的數(shù)據(jù)挖掘方法。采用動態(tài)分類器集成選擇算法對卷煙感官質(zhì)量進行智能評估。產(chǎn)生包含多個基分類器的分類器池;根據(jù)基分類器在被測樣本鄰域內(nèi)的表現(xiàn)選擇滿足要求的分類器;采用被選擇的分類器產(chǎn)生最終的預測結(jié)果。為了驗證該方法的有效性,采用國內(nèi)某煙草公司提供的卷煙感官評估歷史數(shù)據(jù)集進行了實驗比較分析。實驗結(jié)果表明,與其他方法相比,該方法獲得的效果明顯改善。 

【文章來源】：計算機應用與軟件. 2020,37(01)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

動態(tài)分類學習算法示例

圖1 動態(tài)分類學習算法示例可以看出,動態(tài)分類器集成大致可以分為4個步驟:(1) 生成候選分類器集合,分類器集合中的分類器可以采用同種分類學習算法得到也可以采用異質(zhì)分類學習算法獲得;(2) 評估候選分類器集合中每個基分類器對待測樣本分類性能;(3) 選擇最有競爭力的分類器或分類器組合;(4) 對待測樣本進行預測。

表5 采用同質(zhì)分類器的實驗結(jié)果 Dataset Oracle SCS LK LDK LKE LDKE DES 光澤 98.48 84.71 87.89 88.28 85.08 85.32 86.82 香氣 86.12 53.75 56.65 57.40 52.96 53.54 57.92 諧調(diào) 97.95 94.41 95.35 95.38 94.62 94.56 95.23 雜氣 96.93 81.99 83.72 84.01 81.47 81.73 83.33 刺激 82.31 71.73 72.02 73.13 70.35 70.47 73.07 余味 88.71 66.58 68.77 69.71 66.08 66.26 68.92 平均結(jié)果 91.75 75.53 77.40 77.98 75.09 75.31 77.55采用異種分類器的實驗結(jié)果如表6所示。不同于采用同種分類器產(chǎn)生分類器池所得到的實驗結(jié)果,采用異種分類器產(chǎn)生分類器池的情況下,DES取得了最優(yōu)的效果,并且其總體效果也優(yōu)于前者。具體來看,除了在光澤數(shù)據(jù)集上,SCS取得了最優(yōu)的效果,在其他數(shù)據(jù)集上,DES均取得了最優(yōu)的效果。但相較于理想情況,還有很大的改進空間。類似的結(jié)論也可以從圖3給出的直方圖中直觀地得出。

【參考文獻】：
期刊論文
[1]卷煙葉組化學成分分析及與配方維護的關(guān)系[J]. 楊超,萬里興,楊盛剛,黃錫娟,丁根勝,黃新民,袁洪流,劉舒暢,惠建權(quán).  煙草科技. 2019(04)
[2]基于煙葉化學成分的卷煙葉組感官質(zhì)量和風格研究[J]. 楊超,丁根勝,萬里興,黃新民,楊盛剛,穆林,惠建權(quán).  煙草科技. 2018(08)
[3]烤煙分組分級因素與化學、感官質(zhì)量的典型相關(guān)分析[J]. 王俊,趙宇,肖勇,江鴻,胡剛,楊興有,馮文強.  中國煙草科學. 2018(04)
[4]基于重采樣和集成選擇的適用于實體識別的多分類器系統(tǒng)[J]. 周星,刁興春,曹建軍,李鑫,王芳瀟.  數(shù)據(jù)采集與處理. 2017(05)
[5]面向異常數(shù)據(jù)流的多分類器選擇集成方法[J]. 楊融澤,柳毅.  計算機工程與應用. 2018(02)
[6]皖南烤煙煙葉化學成分與感官品質(zhì)的相關(guān)性[J]. 薛琳,朱啟法,季學軍,張忠鋒,董建新,程森,蔡憲杰.  煙草科技. 2016(11)
[7]基于代價敏感學習的卷煙感官質(zhì)量評估方法[J]. 張忠良,湯建國,喬丹娜,雒興剛,趙亮,唐加福.  中國煙草科學. 2016(05)
[8]基于PLSR分析煙葉化學成分與感官質(zhì)量的相關(guān)性[J]. 林順順,張曉鳴.  中國煙草科學. 2016(01)
[9]基于BP神經(jīng)網(wǎng)絡(luò)建立烤煙感官質(zhì)量的預測模型[J]. 邵惠芳,許自成,李東亮,焦桂珍.  中國煙草學報. 2011(01)
[10]SVM在配方感官評估中的應用[J]. 王濤.  微計算機信息. 2010(10)



本文編號：3543840