本碩士論文主要研究隨機森林(Random Forest,RF)分類算法及其應(yīng)用,并對算法構(gòu)建過程作了一些改進.隨機森林算法作為最有效的集成方法之一,具有需要調(diào)整的參數(shù)少、運算速率高,不會出現(xiàn)過擬合現(xiàn)象和抗噪聲能力強等特點.然而,算法的分類性能往往受單個基分類器的影響.一般來說,基分類器的分類能力越高,整體集成的森林分類效果就越好.與此同時,基分類器之間的差異性也是影響隨機森林性能的一個重要因素,基分類器的差異性越強,構(gòu)建的集成算法性能越好.基于此,本文針對隨機森林分類算法和其應(yīng)用展開了研究和討論,主要包括基于局部顯著性判別和加權(quán)的旋轉(zhuǎn)森林算法研究,基于多核支持向量機的隨機森林算法研究以及隨機森林在人體血液白細胞分類上的應(yīng)用研究.具體工作概括如下:1.為了提高隨機森林的泛化性能,增強基分類器之間的差異性,我們提出了一種基于局部顯著性判別和加權(quán)投票的旋轉(zhuǎn)森林算法.通過擴展特征空間使得屬性子集分割更徹底,利用局部顯著性判別作為特征提取方式,增強基分類器之間的差異性,最后賦予決策樹以不同的權(quán)重參與最終決策,提高算法的分類性能.UCI數(shù)據(jù)集和人臉識別數(shù)據(jù)庫上的實驗結(jié)果表明,提出的算法比其他集成方法具有更高的識別精度.2.利用主成分分析和線性判別分析分別對原始特征空間作變換,創(chuàng)建了一種以多核支持向量機為基本分類器的隨機森林算法.通過在UCI分類數(shù)據(jù)集上的驗證,相比傳統(tǒng)的集成分類算法和支持向量機分類算法,本文提出的基于多核支持向量機的隨機森林算法分類效果更佳.3.針對人體外周血液五類白細胞的細胞核和細胞質(zhì)的特性,提出了一種基于計算機圖像處理與人工智能的白細胞分類算法.在常用的核質(zhì)比和圓形度特征的基礎(chǔ)上,提取其在紋理和形態(tài)學(xué)等方面的旋轉(zhuǎn)不變共生局部二值模式特征和細胞核形狀特征,并對提取的特征進行維數(shù)約減和歸一化處理,最后,選取精度和效率高的隨機森林作為上述特征的分類器.實驗結(jié)果表明,所提出的白細胞分類算法要比現(xiàn)有的幾種分類算法具有更高的識別效果.
【學(xué)位授予單位】：中國計量大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP301.6

【引證文獻】

相關(guān)期刊論文 前1條

1 唐燕;王蘋;;隨機森林算法在中醫(yī)藥院校貧困生認定預(yù)測中的應(yīng)用研究[J];中國醫(yī)藥導(dǎo)報;2017年14期

本文編號：1635057