自适应条件下的相邻区分精度SVM集成模型研究

发布时间：2024-04-01 02:01

　　在数据进行集成的实际过程当中,分类器往往具有自主性,会随着样本数据的变化对自己进行适当调整,以此来提高自己的适应能力。对此,本研究以在数据样本区域内对相邻数据进行区分的方法进行SVM集成方法研究,并最终提出了一种切实可行地支持SVM进行集成的方式。即针对区分的数据样本区域,以一种新的搜索算法进行研究,利用FCM与模糊贴近度的结合来进行计算,实现在模糊特征空间集合频域自身位置的自动确定,再根据各项分类器的阈值数据系统自行录用当中的优异数据结果。并最终形成个体分器的数据结果从而进行集合性判定。结果显示。在减少区分判断用时的前提下,这样一种数据算法能够达到提升分类器功能的有效作用;所建立的SVM集成模型具备动态自主适应性。集成过程当中分类器的个数选取关键点在于分类精度阀值的选取,据此可以通过最优阀值的选取以达到模型判别能力的极大提升。

【文章页数】：6 页

【文章目录】：
1 引 言
2 以待测样本为基础的相邻搜索
    2.1 相关理论
        2.1.1模糊C均值聚类(FCM)
    2.2 模糊贴近度
    2.3 以样本特征为基础的相邻搜索
3 以样本相邻区分精度为基础的SVM集成
    3.1 以相邻区分精度为基础的分类器选择
    3.2 以样本相邻区分精度为基础的分类器集成
4 仿真实验
    4.1 数据集选取与处理环境
    4.2 数据的预处理及特征提取
    4.3 集成分类器因素的选择
    4.4 不同集成方法分类结果的比较
    4.5 集成分类器的稳定性实验
5 结 论



本文编号：3944832