检索结果-内蒙古大学图书馆

计算机研究与发展 2009年第7期46卷 1206-1216页

作者：付忠良中国科学院成都计算机应用研究所成都610041

通过多个分类器的组合来提升分类精度是机器学习领域主要研究内容,弱学习定理保证了这种研究的可行性.分类器的线性组合,也即加权投票,是最常用的组合方法,其中广泛使用的AdaBoost算法和bagging算法就是采取的加权投票.分类器组合的有... 详细信息

通过多个分类器的组合来提升分类精度是机器学习领域主要研究内容,弱学习定理保证了这种研究的可行性.分类器的线性组合,也即加权投票,是最常用的组合方法,其中广泛使用的AdaBoost算法和bagging算法就是采取的加权投票.分类器组合的有效性问题以及最佳组合问题均需要解决.在各单个分类器互不相关和分类器数量较多条件下,得到了分类器组合有效的组合系数选取条件以及最佳组合系数公式,给出了组合分类器的误差分析.结论表明,当各分类器分类错误率有统一的边界时,即使采取简单投票,也能确保组合分类器分类错误率随分类器个数增加而以指数级降低.在此基础上,仿照AdaBoost算法,提出了一些新的集成学习算法,特别是提出了直接面向组合分类器分类精度快速提升这一目标的集成学习算法,分析并指出了这种算法的合理性和科学性,它是对传统的以错误率最低为目标的分类器训练与选取方法的延伸和扩展.从另一个角度证明了AdaBoost算法中采用的组合不仅有效,而且在一定条件下等效于最佳组合.针对多分类问题,得到了与二分类问题类似的分类器组合理论与结论,包括组合有效条件、最佳组合、误差估计等.还对AdaBoost算法进行了一定的扩展.

关键词：分类器组合组合问题线性组合 AdaBoost算法 bagging算法组合分类器机器学习分类精度

来源：评论

学校读者我要写书评

暂无评论

基于实例硬度的分类问题改进算法

基于实例硬度的分类问题改进算法

引用

作者：张砾匀四川大学

学位级别：硕士

众所周知,分类问题是机器学习领域的重要问题。现实生活中的许多问题本质上都是分类问题,如信用卡欺诈检测、垃圾邮件拦截和医学诊断等。在机器学习中,可以完成分类任务的算法称之为分类算法。通常情况下,分类算法的性能取决于算法参数... 详细信息

众所周知,分类问题是机器学习领域的重要问题。现实生活中的许多问题本质上都是分类问题,如信用卡欺诈检测、垃圾邮件拦截和医学诊断等。在机器学习中,可以完成分类任务的算法称之为分类算法。通常情况下,分类算法的性能取决于算法参数的选取和训练数据的质量。为了提高分类算法性能,大多数研究者都关注于调整模型参数而忽略了提高训练数据的质量。实例硬度可以给出在特定数据集中一个样本被错误分类的可能性,通过样本的实例硬度值可以判断数据集的内部特征,将实例硬度融入到学习算法中是本文的研究重点,本文的研究分为以下两个部分:不平衡数据分类问题是机器学习领域中一个备受关注的课题,传统的分类算法应用于不平衡数据集时,往往无法得到理想的分类效果。SMOTE算法是一种平衡数据集的过采样技术,在许多应用领域中都取得了成功,但是当数据集存在噪声或类重叠现象时,SMOTE算法会进一步放大这些负面影响。为了解决这一问题,本文将基于实例硬度的噪声过滤机制与SMOTE算法相结合,提出了 SMOTE-IH算法。本文分别使用了合成、真实和加入不同程度噪声的数据集进行实验,并选取了5种对比方法。实验结果表明,在不同的评价指标上,SMOTE-IH算法都优于其他对比方法,并且在加入人工噪声的数据集上显示出了更好的效果。bagging集成算法是一类简单而高效的方法,通过融合一组基分类器而建立高性能的集成分类器,但是bagging算法也存在一个主要挑战,即如何建立“好而不同”的基分类器。本文提出了一种基于实例硬度的改进bagging算法,旨在通过提高基分类器的准确性和多样性对bagging算法进行改进。本文使用了8个真实数据集和加入不同程度噪声的数据集进行实验,选取了两种基于实例硬度的同类型方法进行对比。实验结果表明,本文提出的bagging改进方法在真实数据集上可以显示出与原始bagging算法相当的性能,在含有噪声的数据集上优于其他对比方法。

关键词：分类算法实例硬度不平衡数据集成学习 bagging算法 SMOTE算法

来源：评论

学校读者我要写书评

暂无评论

基于粒子群优化算法的集成学习研究

基于粒子群优化算法的集成学习研究

引用

作者：卢廷玉吉林大学

学位级别：硕士

本文的研究内容来源于国家自然科学基金“统计关系学习中若干问题的研究”。主要包括:(1)智能计算中的粒子群优化(PSO)算法、BP算法及二者混合学习方法及其它们在数据挖掘中分类技术中的应用;(2)集成学习中的Boosting算法、bagging算法... 详细信息

本文的研究内容来源于国家自然科学基金“统计关系学习中若干问题的研究”。主要包括:(1)智能计算中的粒子群优化(PSO)算法、BP算法及二者混合学习方法及其它们在数据挖掘中分类技术中的应用;(2)集成学习中的Boosting算法、bagging算法、选择性集成算法、异态集成算法;(3)数据挖掘中的学习器、数据预处理。首先,本文针对BP算法容易陷入局部最小值的问题,基于混合集成的思想,提出了PSO-BP算法,它可以在全局搜索令人满意的结果模型。其次,针对样本多类型分类的问题,本文对AdaBoost算法做了改进,使之实用于多类型集成学习。本文提出了基于PSO-BP算法的选择性集成学习算法和组合多个神经网络分类器和单个Bayes分类器的异态集成算法。同时为了提高收敛速度和预测准确度,本文提出了一种数据维归约方法,给出相应的公式,并对所有数据集进行了预处理。提出了用粒子群优化算法优化集成学习个体学习器权值算法。最后,对本文做了总结和展望。本文实现了上述的所有的相关算法和思想,并在UCI数据库上进行了仿真实验。验证了PSO-BP算法、粒子群优化算法优化权值算法、异态集成算法、数据归约方法的有效性。

关键词：集成学习 Boosting算法 bagging算法粒子群优化算法

来源：评论

学校读者我要写书评

暂无评论

基于决策树算法的气象数据分析及发布平台

基于决策树算法的气象数据分析及发布平台

引用

作者：严蔚岚南京信息工程大学

学位级别：硕士

人们的生活和气象预报有着密不可分的关系,实时而准确的天气预报非常重要。随着气象观测技术的进步、探测仪器的精准化和数据存储技术的发展,获得了海量的复杂的多维气象数据。从这些数据中准确高效的分析所蕴含的规律是一个巨大的挑战... 详细信息

人们的生活和气象预报有着密不可分的关系,实时而准确的天气预报非常重要。随着气象观测技术的进步、探测仪器的精准化和数据存储技术的发展,获得了海量的复杂的多维气象数据。从这些数据中准确高效的分析所蕴含的规律是一个巨大的挑战。另一方面,一个高性能的气象预报发布平台是不可或缺的,能及时的将气象信息传递给用户。本文的数据来自于广东省佛山市自动气象站气象数据,以C4.5决策树算法为研究对象,并且结合组合算法构建组合降雨预测模型,对多维气象数据进行准确的分类,并且实现了气象信息预报发布平台。具体如下:(1)基于决策树算法,对决策树算法的基本概念、类别、实现过程和性能评价进行详细的介绍。对C4.5决策树做出两点改进:针对C4.5决策树算法在处理多维数据分类,没有考虑属性对分类结果的影响,导致的分类准确率低的问题,提出了基于距离权值的C4.5算法。针对叶子节点含有的最小样本数对生成决策树的影响不同的问题,设置叶子节点的最小样本数为最佳值,构建最佳分类模型。(2)介绍组合算法的概念、分类,尤其详细介绍了 bagging和AdaBoost算法的实现过程。利用C4.5算法和基于距离权值的C4.5算法训练多个基础分类器,并且通过bagging和AdaBoost算法构建组合决策树,实验证明,组合决策树在处理多维数据时有较高的准确性和稳定性。(3)针对自动气象站的气象数据搭建降雨分类模型,利用分类模型进行降雨预测,搭建气象预报发布平台。介绍了平台的设计目标、总体设计架构和模块功能等。本论文采用基于MVVM(控制器-模型-视图)开发模式的***框架,利用JavaScript等前端技术实现气象预报发布平台的搭建。

关键词：气象数据 C4.5算法 bagging算法 AdaBoost算法 MVVM

来源：评论

学校读者我要写书评

暂无评论

集成学习算法的改进及其应用

集成学习算法的改进及其应用

引用

作者：王冰玉西安电子科技大学

学位级别：硕士

神经网络集成通过训练多个神经网络并将其结果进行集成,可以显著地提高学习系统的泛化能力。由于其具有优越的性能和广泛的适用性,近年来已成为国内外机器学习界的一个研究热点。本文在对bagging算法及细胞自动机理论进行深入研究的基础... 详细信息

神经网络集成通过训练多个神经网络并将其结果进行集成,可以显著地提高学习系统的泛化能力。由于其具有优越的性能和广泛的适用性,近年来已成为国内外机器学习界的一个研究热点。本文在对bagging算法及细胞自动机理论进行深入研究的基础上,设计实现了一种新的基于细胞自动机的bagging方法模型,利用细胞自动机的状态同步转换特性来扰动训练样本从而增加了个体网络的差异性,达到提高泛化能力的目的。本文首先在对神经网络的理论进行了深入研究的基础上,设计实现了一种合理的RBF神经网络,并将它作为bagging的基分类算法。再把细胞自动机技术引入到bagging集成算法中,在构建细胞自动机模型时,用遗传算法来寻找最优的细胞转换规则,该规则能使每轮训练样本集的差异性最大。最后,将基于细胞自动机改进后的bagging算法应用到雷达辐射源识别中。在该系统中,首先对雷达辐射源数据进行特征提取及归一化处理,将经过预处理的雷达仿真数据作为实验的数据集；然后用雷达数据集对改进后的Baggig方法和传统的bagging方法进行比较对比,实验表明,改进后的方法有更好的泛化能力。

关键词：细胞自动机 bagging算法 RBF神经网络遗传算法

来源：评论

学校读者我要写书评

暂无评论

基于变分自编码器的关键蛋白质互作用关系预测算法研究

基于变分自编码器的关键蛋白质互作用关系预测算法研究

引用

作者：肖至圻东莞理工学院

学位级别：硕士

随着生物信息学的发展,现代社会对蛋白质(Protein)功能的理解与研究需求日益迫切,大多数蛋白质通过与其他蛋白质相互作用来执行其功能,因此对蛋白质相互作用(Protein-Protein Interactions,PPIs)的探索也已经引起了广泛关注。目前,PPIs... 详细信息

随着生物信息学的发展,现代社会对蛋白质(Protein)功能的理解与研究需求日益迫切,大多数蛋白质通过与其他蛋白质相互作用来执行其功能,因此对蛋白质相互作用(Protein-Protein Interactions,PPIs)的探索也已经引起了广泛关注。目前,PPIs数据中的已知蛋白质互作用关系密度非常低,无法满足生命科学实际应用的需求,大量的蛋白质互作用关系有待发掘。但由于生物实验时间耗费长和成本高的特性,现有的通过实验手段获得的PPIs数据呈现出高度稀疏的状态。此外,发掘关键蛋白质相互作用的重要性高于预测所有未知的蛋白质相互作用关系。因此,本文将重点研究关键蛋白质互作用关系预测,提出了基于变分自编码器(Variational Autoencoder,VAE)的算法来对高维稀疏的蛋白质互作用网络(Protein-Protein Interaction Network,PPIN)进行表示学习,主要的研究内容如下:首先,本文通过设置阈值的方法对数据进行预处理,构建了一个无向的关键PPIN,在基于高斯分布的VAE的基础上引入了信息加权参数,使得模型能够更好地对高维稀疏且不完备的PPIN数据进行表示学习。在VAE的原始损失函数中引入了一个正则化系数,采用了退火方法来更新该系数,此方法使得VAE能更适用于预测关键PPIs的场景。结果分析表明本文提出的算法在关键PPIs预测问题方面表现出良好的预测性能。其次,基于VAE良好的可扩展性,本文将VAE与bagging思想相结合,构建了一个数据划分与概率求和体系结构,以此训练多个基预测器,将多个基预测器通过概率求和的方法集合成一个强关键PPIs预测模型。本文扩展了VAE的模型结构以提升算法的准确度与鲁棒性,同时也通过分布式计算有效降低了原方法的计算成本。最后,针对传统的超参数寻优方法的缺陷,本文将粒子群优化算法用于模型超参数寻优,使VAE模型实现了超参数自适应。这种更新方法降低了调参所需要的时间成本,使得模型能在训练过程中动态地调节超参数,同时也能让模型在训练中更快地往最优的方向优化。综上所述,本研究提出了一个关键PPIs预测算法与其改进算法,这些算法能高效地处理高维稀疏且不完备的PPIN数据。预测出来的关键PPIs信息不仅为挖掘新的PPIs提供理论依据,而且能协助人们了解蛋白质的功能和该蛋白质所承担的职责,有助于疾病的诊断和病理学的研究等。

关键词：关键蛋白质互作用关系蛋白质互作用网络变分自编码器 bagging算法粒子群优化算法

来源：评论

学校读者我要写书评

暂无评论

基于ANN的复垦土壤水分特征曲线的预测研究

引用

农业工程学报 2008年第10期24卷 15-19页

作者：胡振琪张学礼中国矿业大学(北京)土地复垦与生态重建研究所北京100083 中国矿业大学(北京)土地复垦与生态重建研究所北京100083 核工业北京化工冶金研究院北京101149

为能较容易且更准确地获取复垦土壤水分特征曲线,将易测定的土壤特性如土壤质地、容重和饱和含水量作为输入变量,采用基于bagging算法的神经网络法建立了用于预测土壤水分特征曲线的土壤转换函数法(PTFs)模型,并对徐州矿区复垦土壤的水... 详细信息

为能较容易且更准确地获取复垦土壤水分特征曲线,将易测定的土壤特性如土壤质地、容重和饱和含水量作为输入变量,采用基于bagging算法的神经网络法建立了用于预测土壤水分特征曲线的土壤转换函数法(PTFs)模型,并对徐州矿区复垦土壤的水分特征曲线进行了预测,同时与普通BP算法预测精度进行了比较.研究结果表明所建立的PTFs参数模型具有较高的估计精度,bagging算法均方根预测误差比普通BP算法减少了7.5%～27.0%,说明该模型的建立与求解为复垦土壤水分特征曲线的预测研究提供了一条新途径.

关键词：人工神经网络 bagging算法土壤水分特征曲线土壤转换函数预测

来源：评论

学校读者我要写书评

暂无评论

一种用于分类的改进Boosting算法

引用

计算机工程与应用 2012年第6期48卷 146-150页

作者：刘凯王正群江苏畜牧兽医职业技术学院江苏泰州225300 扬州大学信息工程学院江苏扬州225009

提出了一种新的Boosting算法LAdaBoost。LAdaBoost算法利用局部错误率更新样本被选用于训练下一个分类器的概率,当对一个新的样本进行分类时,考虑了该样本与其邻域内的每个训练样本的近似度;另外,提出了有效邻域的概念。根据不同的组合... 详细信息

提出了一种新的Boosting算法LAdaBoost。LAdaBoost算法利用局部错误率更新样本被选用于训练下一个分类器的概率,当对一个新的样本进行分类时,考虑了该样本与其邻域内的每个训练样本的近似度;另外,提出了有效邻域的概念。根据不同的组合方法,得到了两种LAdaBoost算法,即LAdaBoost-1和LAdaBoost-2。在UCI上部分实验数据集的实验结果表明,LAda-Boost算法比AdaBoost和bagging算法更有效,且鲁棒性更好。

关键词：机器学习 bagging算法 Boosting算法噪声

来源：评论

学校读者我要写书评

暂无评论

温室环境小气候模型的构建及智能控制算法的研究

温室环境小气候模型的构建及智能控制算法的研究

引用

作者：余倩倩南京农业大学

学位级别：硕士

温室环境调控是一个多输入、多输出、非线性强的控制过程,用常规的控制方法来处理有时很难获得比较理想的效果,因此,对温室的控制需要引入智能控制的方法来解决那些难以用传统方法解决的复杂控制问题,从而合理地开发符合我国国情的温室... 详细信息

温室环境调控是一个多输入、多输出、非线性强的控制过程,用常规的控制方法来处理有时很难获得比较理想的效果,因此,对温室的控制需要引入智能控制的方法来解决那些难以用传统方法解决的复杂控制问题,从而合理地开发符合我国国情的温室环境调控系统,有效地提高温室环境的控制精度。本研究参考了相关文献,分析了温室小气候中辐射、通风、对流和作物蒸腾作用引起的热质交换物理过程,基于能量守恒和物质守恒定律,建立了温室温度和湿度模型。在南京农业大学牌楼温室内采集相关数据,对模型进行了简化并在计算机上仿真验证。结果表明,所建模型能较好地预测牌楼温室内空气的温度和湿度。本研究以二阶系统为控制对象,考察了PID(比例积分微分)控制、最优控制、鲁棒控制、专家PID控制、模糊自适应整定PID控制、RBF网络监督PID控制的控制性能。利用模糊数学中隶属函数的方法,对上述6种控制系统的5个性能指标(上升时间tr、调节时间ts、峰值时间tp、超调量δp、稳态误差|ess|)进行了综合评价。该评价方法显示,模糊自适应整定PID控制的控制性能是最佳的。本研究在分析了各控制算法优缺点的基础上,决定使用模糊控制作为本研究主要的控制算法。本文介绍了针对加温季节设计的温室温度模糊控制系统,详细说明了输入量的模糊化、输出量的模糊化、控制规则与控制策略设计、输出量的反模糊化等过程的设计与实现。运用MATLAB/Simulink仿真系统搭建了控制系统仿真模型,设置了延迟模块。模型采用固定步长的Runge-Kutta算法积分,步长大小为1。在室外温度为10℃,太阳辐射为200W·m,设定温度为15℃的条件下,进行了控制仿真,结果虽有振荡,但依然显示了良好的控制性能。 PID是最早发展起来的控制策略之一,仍广泛应用于各种控制系统当中。本研究在分析了PID与模糊控制结合的各种形式之后,决定应用PID控制来在线调整模糊控制量化因子和比例因子,整合PID控制后,模糊控制系统的控制性能得到了一定程度的提高。人为制定的模糊控制规则比较依赖于专家经验,而且并不一定是最优的。本研究比较了粒子群优化与遗传算法优化,并通过仿真证明了粒子群优化算法更适合于本研究的优化要求。运用粒子群优化算法优化模糊规则后,控制系统的控制性能有了较大的提高。虽然用PID在线调控模糊控制的量化因子及比例因子能增大模糊控制的适用范围,但适用范围依然有较大的限制。本研究基于bagging算法,综合了5个优化后的PID模糊控制器,仿真结果表明该方法的控制效果比自动控制、原系统控制以及组成它的5个PID模糊控制器的更优,适用范围更广

关键词：温室小气候模型智能控制模糊控制粒子群优化 bagging算法

来源：评论

学校读者我要写书评

暂无评论

面向不平衡数据集的集成算法研究与应用

面向不平衡数据集的集成算法研究与应用

引用

作者：吴挡平兰州交通大学

学位级别：硕士

目前,在机器学习和数据挖掘领域中,数据的分类问题是一项比较核心的研究工作。传统的分类算法都是基于类别分布平衡的情况下进行数据分类研究。但是,在很多实际应用中,如信用卡欺诈检测、卫星图像的漏油检测和网络入侵检测等,数据的类... 详细信息

目前,在机器学习和数据挖掘领域中,数据的分类问题是一项比较核心的研究工作。传统的分类算法都是基于类别分布平衡的情况下进行数据分类研究。但是,在很多实际应用中,如信用卡欺诈检测、卫星图像的漏油检测和网络入侵检测等,数据的类别分布往往是处于不平衡的状态,即某一类别的样例数相比于另一类别的样例数明显要少的多,其中样例数相对多的类别称为多数类,样例数相对少的类别称为少数类,且对于这类数据,少数类大多数情况下要比多数类更重要,例如在信用卡欺诈检测中,将有信用卡欺诈行为检测为无欺诈行为的代价远远大于将无信用卡欺诈行为检测为有的代价。因此,针对这类不平衡数据集的分类问题,提高少数类样例的分类性能具有更重要的现实价值。针对不平衡数据的分类问题,分类算法的研究主要分为以下两个方面,其中一种常用的方法是利用采样技术(比如随机过采样法、随机欠采样法及SMOTE过采样法等)来处理数据类别分布不平衡的问题,即通过对数据集类别样例分布进行采样处理使得数据的类别分布处于平衡化,然后在平衡后的数据集上进行分类研究。另外一种常见的方法是保留原始数据集的类别分布(直接在原始训练集上训练),通过利用某种方法对分类算法改进,然后直接用改进算法对不平衡数据集进行分类,比如代价敏感、决策阈值、概率估计和集成学习等技术。其中,比较热门的方向之一就是以集成学习算法为基础,展开对不平衡数据集分类问题的研究工作,并取得了不错的效果。在不平衡数据集的分类问题中,由于集成学习算法表现出较优的分类性能,因此已被广泛应用于解决此问题的研究。集成学习算法主要是通过对基分类器的改进和利用一些方法增大基分类器间的差异性来提高分类器的分类性能,具有较强的泛化能力。基于以上进行的分析,本文主要进行了以下几个方面的工作:首先,从数据层面着手,本文结合SMOTE过采样法和重复欠采样法两种采样法处理不平衡数据集的优势,提出了一种基于组合采样法的旋转森林集成分类方法。该算法首先使用SMOTE过采样法对原始训练集进行采样处理,然后在SMOTE采样后得到的新训练数据集上利用重复欠采样法抽取多个平衡化的训练子集,最后利用旋转森林集成算法在这多个训练子集上进行学习。其次,从算法层面着手,以bagging集成算法为基础,引入阈值移动法,提出了一种基于概率阈值bagging集成算法的不平衡数据分类方法,该算法根据最大化性能评价指标为每个类别确定一个决策阈值,使得算法能够适应不平衡数据集。本文最后的工作将改进的基于概率阈值bagging集成算法成功的应用于甘肃部分地区沙尘暴不平衡数据集的分类上,通过实验验证针对不平衡数据分类问题,基于概率阈值bagging集成算法具有很好的分类性能。

关键词：不平衡数据集成学习 bagging算法 SMOTE采样法沙尘暴数据分类

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：