在數(shù)據(jù)進(jìn)行集成的實際過程當(dāng)中,分類器往往具有自主性,會隨著樣本數(shù)據(jù)的變化對自己進(jìn)行適當(dāng)調(diào)整,以此來提高自己的適應(yīng)能力。對此,本研究以在數(shù)據(jù)樣本區(qū)域內(nèi)對相鄰數(shù)據(jù)進(jìn)行區(qū)分的方法進(jìn)行SVM集成方法研究,并最終提出了一種切實可行地支持SVM進(jìn)行集成的方式。即針對區(qū)分的數(shù)據(jù)樣本區(qū)域,以一種新的搜索算法進(jìn)行研究,利用FCM與模糊貼近度的結(jié)合來進(jìn)行計算,實現(xiàn)在模糊特征空間集合頻域自身位置的自動確定,再根據(jù)各項分類器的閾值數(shù)據(jù)系統(tǒng)自行錄用當(dāng)中的優(yōu)異數(shù)據(jù)結(jié)果。并最終形成個體分器的數(shù)據(jù)結(jié)果從而進(jìn)行集合性判定。結(jié)果顯示。在減少區(qū)分判斷用時的前提下,這樣一種數(shù)據(jù)算法能夠達(dá)到提升分類器功能的有效作用;所建立的SVM集成模型具備動態(tài)自主適應(yīng)性。集成過程當(dāng)中分類器的個數(shù)選取關(guān)鍵點在于分類精度閥值的選取,據(jù)此可以通過最優(yōu)閥值的選取以達(dá)到模型判別能力的極大提升。

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引 言
2 以待測樣本為基礎(chǔ)的相鄰搜索
    2.1 相關(guān)理論
        2.1.1模糊C均值聚類(FCM)
    2.2 模糊貼近度
    2.3 以樣本特征為基礎(chǔ)的相鄰搜索
3 以樣本相鄰區(qū)分精度為基礎(chǔ)的SVM集成
    3.1 以相鄰區(qū)分精度為基礎(chǔ)的分類器選擇
    3.2 以樣本相鄰區(qū)分精度為基礎(chǔ)的分類器集成
4 仿真實驗
    4.1 數(shù)據(jù)集選取與處理環(huán)境
    4.2 數(shù)據(jù)的預(yù)處理及特征提取
    4.3 集成分類器因素的選擇
    4.4 不同集成方法分類結(jié)果的比較
    4.5 集成分類器的穩(wěn)定性實驗
5 結(jié) 論



本文編號：3944832