基于進化計算和模糊聚類技術(shù)的多分類器聯(lián)合研究.pdf

1、多分類器聯(lián)合，又稱多分類器組合、多分類器集成，在模式識別研究中，該技術(shù)可以顯著地提高模式識別的性能，受到研究人員的極大關注。研究人員已經(jīng)提出了很多分類器集成方法，且成功應用于多個領域。 多分類器集成旨在充分發(fā)揮每個成員分類器在各自分類性能上的優(yōu)勢，獲得比單個成員分類器都要高的分類識別率。多分類器集成利用了不同分類器之間的互補性，提高集成后分類器的性能。一般通過兩種手段達到提高多分類器集成性能的目的：提高成員分類器的分類性能；增加

2、成員分類器的多樣性。傳統(tǒng)獲得多分類器集成多樣性的方法仍然存在如下缺陷：其一，在創(chuàng)建成員分類器時，沒有充分挖掘訓練樣本的分布特征所蘊藏的有價值信息；其二，沒有很好的選擇標準選取成員分類器。研究表明，個體分類器的性能與集成分類器的性能之間沒有必然的聯(lián)系。另外，在選擇成員分類器時必須同時考慮分類器的準確度和多樣性，但這兩者之間通常是相互矛盾的；其三，各成員分類器在多分類器集成中所承擔的角色是固定的，并不根據(jù)數(shù)據(jù)集的不同采用不同的集成方式。這樣

3、處理可能對某一類數(shù)據(jù)集提高了識別率，而對另一類起到相反作用。為實現(xiàn)集成分類器的最佳性能，需要根據(jù)識別對象挑選適當?shù)某蓡T分類器，同時也需要根據(jù)不同的識別對象采用不同的集成方式。 本文研究在保證單個分類器高性能的情況下，如何實現(xiàn)成員分類器的多樣性。在實現(xiàn)多樣性方面充分考慮利用訓練樣本集分布特征，達到既提高成員分類器性能，又實現(xiàn)多樣性的目的。本文的創(chuàng)新性研究成果主要有： 1、提出了一種自適應策略梯度算法(APG)。該算法將進化

4、策略中的自適應偏轉(zhuǎn)變換技術(shù)應用于進化博弈論，在尋找到一個納什均衡以后，對目標函數(shù)進行偏轉(zhuǎn)，再次搜索，實現(xiàn)獲得多個納什均衡的目的。在GAMBIT實例集包括的一系列基準博弈問題上進行驗證，并與協(xié)方差矩陣適應性進化策略(CMA)和粒子群優(yōu)化(PSO)算法進行對比，結(jié)果表明APG算法能夠?qū)Σ┺牡乃屑{什均衡進行有效、快速的搜索。 2、提出一種基于模糊聚類的多分類器集成算法(FuzzyBoost)。將模糊聚類技術(shù)應用于訓練樣本集，學習訓練

5、樣本分布特征，提出信息熵的概念，并依據(jù)信息熵對訓練樣本采樣，生成多樣性訓練樣本集，從而實現(xiàn)成員分類器的多樣性，提高分類性能。我們以Weka軟件作為平臺實現(xiàn)了算法，并在20個特征不同的數(shù)據(jù)集上進行實驗，結(jié)果表明，F(xiàn)uzzyBoost與AdaBoost和Bagging算法相比，具有更高的分類準確性和更好的泛化能力。 3、提出了一種自適應FuzzyBoost分類器集成算法(AdaptiveFuzzyBoost，記為AFB)。受APG算