导读:本文包含了高斯分类器论文开题报告文献综述及选题提纲参考文献，主要关键词:高斯过程,多分类,一对多,一对一
高斯分类器论文文献综述
黄维,童莹,曹雪虹[1]（2016）在《基于高斯过程的多分类器》一文中研究指出为改善一对多高斯过程分类器(one against all Gaussian process classifier,OAA-GPC)存在的不足,提出基于一对一方法的高斯过程多分类器(one against one Gaussian process classifier,OAO-GPC),以及在其基础上改进的基于有向无环图方法的高斯过程多分类器(directed acyclic graph Gaussian process classifier,DAG-GPC),这两种分类器在训练二分类器时仅需将其对应的两类训练样本作为输入,在不降低识别率的基础上减少算法的运行时间。在Oil、Segment、USPS这3个数据集上的实验结果表明,OAO-GPC和DAG-GPC的运行时间远低于OAA-GPC,且识别率与OAA-GPC近似相等,可迅速有效地解决样本的多分类问题。(本文来源于《计算机工程与设计》期刊2016年04期）
王双成,高瑞,杜瑞杰[2]（2016）在《基于高斯Copula的约束贝叶斯网络分类器研究》一文中研究指出具有连续属性的分类问题普遍存在,目前主要采用两种方法来处理连续属性:一种是将连续属性进行离散化;另一种是基于高斯函数或高斯核函数来估计属性密度.连续属性的离散化可能导致信息丢失、引入噪声和类对属性的变化不够敏感等问题,而高斯函数和高斯核函数在属性密度估计中各有优势与不足,但它们具有很强的互补性.该文依据Copula和贝叶斯网络理论,结合高斯Copula密度函数、引入平滑参数的高斯核函数和以分类准确性为标准的属性父结点贪婪选择,建立连续属性约束贝叶斯网络分类器,既可以避免连续属性离散化所带来的问题,又能够实现高斯函数和高斯核函数在属性密度估计方面的优势互补.分别采用真实数据和模拟数据进行实验,结果显示,使用结合边缘高斯核函数的高斯Copula估计属性密度的约束贝叶斯网络分类器具有良好的分类准确性.(本文来源于《计算机学报》期刊2016年08期）
王双成,高瑞,杜瑞杰[3]（2015）在《基于高斯核函数的朴素贝叶斯分类器依赖扩展》一文中研究指出朴素贝叶斯分类器不能有效地利用属性之间的依赖信息,而目前所进行的依赖扩展更强调效率,使扩展后分类器的分类准确性还有待提高.针对以上问题,在使用具有平滑参数的高斯核函数估计属性密度的基础上,结合分类器的分类准确性标准和属性父结点的贪婪选择,进行朴素贝叶斯分类器的网络依赖扩展.使用UCI中的连续属性分类数据进行实验,结果显示网络依赖扩展后的分类器具有良好的分类准确性.(本文来源于《控制与决策》期刊2015年12期）
胡永泉,高润博,史亚男,周梦圆[4]（2015）在《基于改进仿射传播聚类和高斯凸函数证据理论的分类器集成方法》一文中研究指出多分类器集成的目的是通过集成多个弱分类器来产生一个强分类器,已成为信息融合领域最重要的研究课题之一。对于单源分类器集成来说,待集成分类器数目、精度和多样性之间存在冲突,如何对它们进行合理均衡,从而进一步提高分类精度仍是当前有待解决的问题之一。为此,本文提出一种基于改进仿射传播聚类和高斯凸函数证据理论的分类器集成方法,首先采用Bagging算法训练一些分类器,然后利用仿射传播聚类算法对分类器进行选择,之后利用高斯凸函数证据理论方法对选中的分类器进行集成。(本文来源于《科技展望》期刊2015年15期）
杜瑞杰,王双成,高瑞[5]（2015）在《基于高斯密度的一阶贝叶斯衍生分类器》一文中研究指出针对连续属性朴素贝叶斯分类器不能有效利用属性之间的条件依赖信息,而目前所进行的依赖扩展更关注效率,这使得扩展后分类器的分类准确性还有待提高等问题,使用高斯密度估计属性密度,将属性排序、分类准确性标准与属性父节点的贪婪选择结合,综合考虑效率和分类准确性,对朴素贝叶斯分类器进行依赖扩展,建立一阶贝叶斯衍生分类器,并对属性分类提供的信息进行分析。实验结果显示,基于高斯密度的一阶贝叶斯衍生分类器具有良好的分类准确性。(本文来源于《计算机应用研究》期刊2015年11期）
兰远东,邓辉舫,蔡昭权,杨雄[6]（2014）在《高斯加权的多分类器物体追踪》一文中研究指出针对在物体外观快速变化的情况下,大多数弱学习器不能捕获物体新的特征分布,导致追踪失败的问题,提出了高斯加权的联机多分类器增强算法。该算法为每一个领域问题定义一个弱分类器,每个弱分类器包括一个简单的视觉特征和阈值,引入高斯加权函数来权衡每个弱分类器在特定样本上的贡献,通过多分类器联合学习来提高追踪性能。在物体追踪过程中,联机多分类器在对物体定位的同时还能估计物体的姿态,能够成功地学习多模态外观模型,在物体外观快速变化的情况下追踪物体。实验结果表明:所提算法在经过一个较短序列的训练后,平均追踪错误率为12.8%,追踪性能明显提升。(本文来源于《计算机应用》期刊2014年08期）
尹金良,朱永利,俞国勤,邵宇鹰,关宏[7]（2013）在《基于高斯过程分类器的变压器故障诊断》一文中研究指出构建了基于拉普拉斯近似方法的高斯过程分类器(LGPC)。LGPC可自行优化超参数,以概率形式输出分类结果,便于问题的不确定性分析,从而克服SVM规则化系数、核函数参数确定困难等局限。在用典型分类数据验证LGPC在分类性能方面优于SVM的基础上,提出了基于LGPC的变压器故障诊断方法,并给出了其具体实现方法。通过工程实例验证了均值函数采用常函数、协方差函数采用全平方指数函数、似然函数采用误差函数时,故障诊断的正确率较高。同基于SVM的故障诊断方法相比,本文所提方法可以取得更高的故障诊断正确率,具有可行性和推广性。(本文来源于《电工技术学报》期刊2013年01期）
王文娜[8]（2011）在《基于高斯过程分类器的高光谱图像分类》一文中研究指出高光谱遥感(Hyperspectral Remote Sensing, HRS)技术最早出现于19世纪80年代,它第一次真正做到了图谱合一。较之多光谱遥感影像,高光谱图像(Hyperspectral Images, HSI)包含了极丰富的信息,使得对该类光谱图像数据进行更为合理、有效的分析成为了可能。而高光谱图像由于有标记样本相对很少,特征空间维数很高以及各种噪声的存在使得对其处理非常复杂。高斯过程分类器(Gaussian Process Classifier, GPC)是一种基于贝叶斯(Bayesian)框架的概率分类方法,已经应用于人体识别和高光谱图像分类等领域。本文以高光谱图像为背景,针对高光谱图像分类难点,结合高斯过程分类器相关理论提出了高光谱图像分类新方法。本论文的主要工作概括如下：(1)针对高光谱图像有标记样本非常少的分类难点,基于高斯过程分类器,采用协同训练策略,构建了一种新的半监督分类器—协同高斯过程分类器,并改进了传统协同训练中样本选择策略。将此方法应用于两幅真实高光谱图像的分类中,分类正确率较之有监督的高斯过程分类器得到不同程度的提高,在有标记样本有限的情况下提高较为显着。(2)针对高光谱图像特征空间维数高,有标记样本少的特点,提出了基于图的半监督特征选择方法。本文通过将一个半监督的相似度矩阵引入到现有的谱分析特征选择方法中得到了半监督的谱分析特征选择方法。将此半监督谱分析特征选择方法应用于真实的高光谱图像中实现波段选择,使得高光谱图像在波段数很少的情况下就能达到较满意的分类结果。(3)高斯过程分类器是一种基于贝叶斯框架的核机器,较之另一种核机器—支持向量机(Support Vector Machine, SVM)具有自动相关决策的优势,将此分类器应用于高光谱图像分类时能取得良好的效果,但是由于高光谱图像波段数目非常多,导致高斯过程分类器的算法复杂度高。本文针对此问题,采用粒子群优化算法(Particle Swarm Optimization, PSO),实现了高斯过程分类器自动相关决策与波段选择的结合,在得到最优分类器参数的同时对分类使用的特征进行了降维,使得后续的分类复杂度大大下降。将此方法应用于高光谱图像的分类,在波段数很少的情况下便可得到与使用全部波段相当甚至更好的分类效果。本文的工作得到了国家自然科学基金(60803097),陕西省自然科学基金(2011JQ8020)和中央高校基础科研业务费(K50511020011)等项目的资助。(本文来源于《西安电子科技大学》期刊2011-12-01）
高波涌,张叁元,潘翔[9]（2011）在《基于高斯过程分类器的叁维模型多粒度语义检索》一文中研究指出为解决叁维模型语义检索中用户检索意图不一致问题,建立多粒度语义检索框架,使学习模型能够有效地适应用户的不同检索意图.首先对模型分类知识进行层次划分,形成语义概念的多粒度结构.然后提取一种多视图特征来描述叁维模型的形状特性,并采用高斯过程分类器建立不同粒度层次上的学习模型,实现低层特征和查询概念之间的语义一致性描述.和已有研究相比,多粒度语义检索框架使用户可通过语义粒度级别变化进行检索意图设置,从而检索结果尽可能符合用户语义.在实验部分,采用叁维模型基准数据库对框架进行算法性能测试.结果表明,检索准确率要明显提高,并且符合人类思维特点.(本文来源于《模式识别与人工智能》期刊2011年05期）
陶建斌,舒宁,沈照庆[10]（2010）在《基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器》一文中研究指出提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。(本文来源于《遥感信息》期刊2010年02期）
高斯分类器论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
具有连续属性的分类问题普遍存在,目前主要采用两种方法来处理连续属性:一种是将连续属性进行离散化;另一种是基于高斯函数或高斯核函数来估计属性密度.连续属性的离散化可能导致信息丢失、引入噪声和类对属性的变化不够敏感等问题,而高斯函数和高斯核函数在属性密度估计中各有优势与不足,但它们具有很强的互补性.该文依据Copula和贝叶斯网络理论,结合高斯Copula密度函数、引入平滑参数的高斯核函数和以分类准确性为标准的属性父结点贪婪选择,建立连续属性约束贝叶斯网络分类器,既可以避免连续属性离散化所带来的问题,又能够实现高斯函数和高斯核函数在属性密度估计方面的优势互补.分别采用真实数据和模拟数据进行实验,结果显示,使用结合边缘高斯核函数的高斯Copula估计属性密度的约束贝叶斯网络分类器具有良好的分类准确性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高斯分类器论文参考文献
[1].黄维,童莹,曹雪虹.基于高斯过程的多分类器[J].计算机工程与设计.2016
[2].王双成,高瑞,杜瑞杰.基于高斯Copula的约束贝叶斯网络分类器研究[J].计算机学报.2016
[3].王双成,高瑞,杜瑞杰.基于高斯核函数的朴素贝叶斯分类器依赖扩展[J].控制与决策.2015
[4].胡永泉,高润博,史亚男,周梦圆.基于改进仿射传播聚类和高斯凸函数证据理论的分类器集成方法[J].科技展望.2015
[5].杜瑞杰,王双成,高瑞.基于高斯密度的一阶贝叶斯衍生分类器[J].计算机应用研究.2015
[6].兰远东,邓辉舫,蔡昭权,杨雄.高斯加权的多分类器物体追踪[J].计算机应用.2014
[7].尹金良,朱永利,俞国勤,邵宇鹰,关宏.基于高斯过程分类器的变压器故障诊断[J].电工技术学报.2013
[8].王文娜.基于高斯过程分类器的高光谱图像分类[D].西安电子科技大学.2011
[9].高波涌,张叁元,潘翔.基于高斯过程分类器的叁维模型多粒度语义检索[J].模式识别与人工智能.2011
[10].陶建斌,舒宁,沈照庆.基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器[J].遥感信息.2010