一种基于几何关系的多分类器差异性度量及其在多分类器系统构造中的应用

被引：8

作者：

梁绍一

韩德强

韩崇昭

机构：

[1] 西安交通大学电子与信息工程学院综合自动化研究所智能网络与网络安全教育部重点实验室

来源：

自动化学报 | 2014年 / 40卷 / 03期

基金：

中国博士后科学基金;

关键词：

多分类器系统; 差异性度量; 差异性淹没; 几何中心;

D O I：

暂无

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

0811 ; 081101 ; 081104 ; 1405 ;

摘要：

多分类器系统是应对复杂模式识别问题的有效手段之一.当子分类器之间存在差异性或互补性时,多分类器系统往往能够获得比单分类器更高的分类正确率.因而差异性度量在多分类器系统设计中至关重要.目前已有的差异性度量方法虽能够在一定程度上刻画分类器之间的差异,但在应用中可能出现诸如"差异性淹没"等问题.本文提出了一种基于几何关系的多分类器差异性度量,并在此基础上提出了一种多分类器系统构造方法,同时通过实验对比了使用新差异性度量方法和传统方法对多分类器系统融合分类正确率的影响.结果表明,本文所提出的差异性度量能够很好地刻画分类器之间的差异,能从很大程度上抑制"差异性淹没"问题,并能有效应用于多分类器系统构造.

引用

页码：449 / 458

页数：10

共 12 条

[1] 一种基于证据距离的多分类器差异性度量 [J].

杨艺 ;

韩德强 ;

韩崇昭 .

航空学报, 2012, 33 (06) :1093-1099

[2] 集成特征选择的广义粗集方法与多分类器融合 [J].

孙亮 ;

韩崇昭 ;

沈建京 ;

戴宁 .

自动化学报, 2008, (03) :298-304

[3] 多分类器组合的投票表决规则 [J].

吕岳 ;

施鹏飞 ;

赵宇明 .

上海交通大学学报, 2000, (05) :680-683

[4]

模糊积分及多分类器融合在医疗诊断中的应用[D]. 张彩坡.天津理工大学. 2010

[5]

Diversity measures for multiple classifier system analysis and design[J] . Terry Windeatt. Information Fusion . 2004 (1)

[6]

Diversity creation methods: a survey and categorisation[J] . Gavin Brown,Jeremy Wyatt,Rachel Harris,Xin Yao. Information Fusion . 2004 (1)

[7]

Assessing the predictive accuracy of diversity measures with domain-dependent, asymmetric misclassification costs[J] . Mordechai Gal-Or,Jerrold H. May,William E. Spangler. Information Fusion . 2004 (1)

[8] Measures of diversity in classifier ensembles and their relationship with the ensemble accuracy [J].

Kuncheva, LI ;

Whitaker, CJ .

MACHINE LEARNING, 2003, 51 (02) :181-207

[9]

Relationships between combination methods and measures of diversity in combining classifiers[J] . Catherine A. Shipp,Ludmila I. Kuncheva. Information Fusion . 2002 (2)

[10]

An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting, and Randomization[J] . Thomas G. Dietterich. Machine Learning . 2000 (2)

← 1 2 →