基于加權(quán)投票的集成在線順序極限學(xué)習(xí)機及其應(yīng)用.pdf_第1頁
已閱讀1頁,還剩75頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、單個分類器在解決一些復(fù)雜問題時,往往得不到理想的處理效果,而將多個分類器組合在一起構(gòu)建的集成系統(tǒng)通常能獲得比單個分類器更優(yōu)的穩(wěn)定性和泛化能力。本文在分析集成極限學(xué)習(xí)機存在的缺陷的基礎(chǔ)上,提出了一種基于加權(quán)投票的集成在線順序極限學(xué)習(xí)機。該方法在優(yōu)選單個極限學(xué)習(xí)機基礎(chǔ)上進行有效集成,進一步提高了集成分類器的性能。結(jié)合基因表達譜數(shù)據(jù)特性,將改進的集成在線順序極限學(xué)習(xí)機用于基因表達譜數(shù)據(jù)分類,獲得了很高的癌癥預(yù)測準確率。本文的主要工作如下:

2、r>   1)提出了一種優(yōu)選成員極限學(xué)習(xí)機的方法。高性能的成員分類器有利于提高集成分類器系統(tǒng)的性能。本文首先將訓(xùn)練集按一定比例分為訓(xùn)練集和驗證集,用這兩個數(shù)據(jù)集來訓(xùn)練在線順序極限學(xué)習(xí)機,然后將各個在線順序極限學(xué)習(xí)機在驗證集上的分類準確率從大到小排列,選擇其中分類準確率較大的在線順序極限學(xué)習(xí)機來構(gòu)建集成系統(tǒng)。
   2)針對傳統(tǒng)的利用平均值法作為集成決策的集成在線順序極限學(xué)習(xí)機在實際應(yīng)用中往往無法獲得較高的識別率,提出一種基于在

3、驗證集上的分類準確率的加權(quán)投票的集成在線順序極限學(xué)習(xí)機(IEOS-ELM)。該方法將單個在線順序極限學(xué)習(xí)機在訓(xùn)練過程的分類準確率占總的分類準確率的比重作為該在線順序極限學(xué)習(xí)機的集成投票權(quán)重。在四個標準分類數(shù)據(jù)集上的實驗結(jié)果表明,這種方法能夠以較少的成員學(xué)習(xí)機獲得更高的識別率。
   3)提出了基于微粒群算法和IEOS-ELM的基因表達譜數(shù)據(jù)分類方法。針對基因表達譜數(shù)據(jù)的特性,利用微粒群算法對成員在線順序極限學(xué)習(xí)機進行初選,再利用

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論