多决策模板分类器融合

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (27): 216-220.

• 图形、图像、模式识别 • 上一篇下一篇

多决策模板分类器融合

刘明1，张锁良1，李昆仑1，袁保宗2

1.河北大学电子信息工程学院，河北保定 071002
2.北京交通大学信息科学研究所，北京 100044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-21 发布日期:2011-09-21

Multiple decision template classifier combination

LIU Ming1，ZHANG Suoliang1，LI Kunlun1，YUAN Baozong2

1.College of Electronic and Information Engineering，Hebei University，Baoding，Hebei 071002，China
2.Institute of Information Science，Beijing Jiaotong University，Beijing 100044，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-21 Published:2011-09-21

摘要/Abstract

摘要： 针对多类分类问题提出了一种新的度量层分类器融合方法，为每个模式类设置多个决策模板，每个决策模板针对一种容易发生的分类错误，从而能够有效地降低错误率;此外，采用模糊系统表示Meta层样本与各个决策模板之间的关系，能够比较准确地计算样本属于各个模式类的总分类置信度。从公用数据仓库中选取了三个较大规模数据集对新方法进行测试，并且与k-近邻规则、投票法、朴素贝叶斯法、线性规则、模板匹配法等常用的分类器融合方法进行了比较。大量实验结果表明，对于类别数在3~15之间的分类问题，该方法具有较好的综合性能。

关键词: 模式识别, 分类器融合, 模糊系统

Abstract: A new measurement level classifier combination method is proposed for multi-class problems.This method can decrease the classification error rate by representing each class with multiple decision templates corresponding to all kinds of classification errors.Moreover，in order to accurately calculating the overall confidences related to each class，fuzzy system is employed to describe the relationship between the meta-level samples and the decision templates.This method is tested on three large data sets selected from the public database and is compared with popular classifier combination methods such as voting，Naive Bayesian，linear combination rule，and decision templates.The experimental results show that the method performs well for the classification problems which include 3~15 classes.

Key words: pattern recognition, classifier combination, fuzzy system

刘明1，张锁良1，李昆仑1，袁保宗2. 多决策模板分类器融合[J]. 计算机工程与应用, 2011, 47(27): 216-220.

LIU Ming1，ZHANG Suoliang1，LI Kunlun1，YUAN Baozong2. Multiple decision template classifier combination[J]. Computer Engineering and Applications, 2011, 47(27): 216-220.

[1]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[2]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[3]	童文林，陈德旺，黄允浒，吕宜生. 结合模拟退火与规则约简的模糊系统优化方法[J]. 计算机工程与应用, 2021, 57(16): 142-150.
[4]	卢俊杰，黄金泉，鲁峰. 似然K均值聚类用于涡扇发动机气路故障诊断[J]. 计算机工程与应用, 2020, 56(9): 136-141.
[5]	姜东明，杨火根. 融合图卷积网络模型的无监督社区检测算法[J]. 计算机工程与应用, 2020, 56(20): 59-66.
[6]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[7]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[8]	王众，章学良，刘亚群，周俊宇，单东升. 基于脑电传感器的面部动作识别研究[J]. 计算机工程与应用, 2020, 56(12): 182-186.
[9]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[10]	王忠民，张瑶，衡霞. SF-CNN在驾驶行为识别中的应用研究[J]. 计算机工程与应用, 2018, 54(11): 128-132.
[11]	邱爱昆，朱嘉钢. 基于集成学习的多重集典型相关分析方法[J]. 计算机工程与应用, 2017, 53(6): 162-168.
[12]	李葵，范玉刚，吴建德. 基于MRSVD和VPMCD的轴承故障智能诊断方法研究[J]. 计算机工程与应用, 2016, 52(8): 153-157.
[13]	王新颖，江志伟，陈海群，王凯全. SVM与DS结合的管道泄漏诊断方法研究[J]. 计算机工程与应用, 2016, 52(5): 262-265.
[14]	刘欢1，2，邵蔚元1，郭跃飞1. 卷积神经网络在验证码识别上的应用与研究[J]. 计算机工程与应用, 2016, 52(18): 1-7.
[15]	卢明，刘黎辉，吴亮红. 多核支持向量数据描述分类方法研究[J]. 计算机工程与应用, 2016, 52(18): 68-73.

多决策模板分类器融合

Multiple decision template classifier combination

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics