导读:本文包含了多分类器集成系统论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸识别,集成学习,典型相关分析,分类
多分类器集成系统论文文献综述
蔡晨伟[1]（2018）在《基于深度特征学习与分类器关联集成的人证比对系统研究》一文中研究指出随着大规模标注数据的出现及深度学习技术的快速发展,自动人脸识别技术已经获得了重大的突破并取得了超越人类的性能。目前,该技术已经广泛的应用于安防、金融、监控、布控等等现实生活场景中。本文研究了基于身份证人脸的人证比对研究。针对人证比对中存在的若干问题,特别是对于人脸深度特征的提取与分类的问题,进行了较为深入的研究。设计实现了人证比对系统,并在人脸特征提取方法的基础之上,结合集成学习的方法,提出了基于典型相关分析(Canonical Correlation Analysis,CCA)的分类器关联集成算法,从而提高人脸识别的性能以及其泛化能力。本文的主要工作如下:(1)研究了人脸检测的主流实现算法,在检测性能和实时性能都较好的级联Boosting人脸检测框架上对该框架进行改进,通过选择五种人脸模式以及16种Harr特征来进行模型训练从而提升该模型对姿态的敏感度,该方法不仅提升了人脸检测的速度,同时兼顾了Adaboost固有的准确性和鲁棒性。在人脸关键点定位上,以ESR模型为基础,提出了一种基于投票的ESR集成方法,实现了人脸关键点定位的功能,通过这种投票的方法提升了该模型的定位准确率。(2)提出了基于CCA的分类器关联集成算法。该集成方法通过修剪和组合基分类器从而实现更好的分类性能和稳定性。在第一阶段,采用一种稀疏回归的方法对基分类器进行剪枝,使得每个测试数据动态地选择一组分类器子集,形成针对测试数据实现基分类器的动态选择,以减少噪声输入数据和不正确分类器在全局视图中的影响。在第二阶段,利用局部融合方法对剪枝分类器进行加权。在这种方法中,考虑训练数据的近邻,以便可以利用基分类器的泛化能力在这种局部视图中获得不同的权重。实验结果显示,本文提出的基于CCA的分类器关联集成算法的分类结果优于其他集成方法如随机森林、Majority Voting、Adaboost等。(3)基于以上算法设计并实现了一个人证比对的系统,能够实现证件照和现实场景下的人脸进行匹配。系统运行测试表明该人证比对系统界面友好,功能正确,且识别速度达到了预期需求,验证了本文所提出的方法的可用性。(本文来源于《江苏大学》期刊2018-04-01）
石子健,汤建国,张忠良,雒兴刚,唐加福[2]（2016）在《多分类器集成系统在卷烟感官评估中的应用》一文中研究指出烟草化学成分与感官质量存在着某种对应关系,使用传统的单一分类器方法进行卷烟感官评估指标预测对数据样本依赖性强,且无法克服噪声影响。采用了k-NN(k=3)、k-NN(k=5)、C4.5、BPNN、SVM五种不同的分类方法进行卷烟感官质量的评估预测,并比较了它们的预测正确率,结果表明SVM和k-NN效果较好;同时用不同的采样方法和投票方法搭建了6种多分类器集成系统进行感官评估,实验可得多分类器集成可以起到比单一分类器更好的效果,其中基于训练表现的加权投票方法(不抽样)具有较高的正确率,对于指标光泽、香气、谐调、杂气、刺激和余味的预测准确率分别为90.63%、62.18%、97.20%、86.74%、74.17%和72.16%,比单一分类器中最好的结果分别改进0.69%、0.32%、0.28%、0.59%、0.52%和1.78%。(本文来源于《中国烟草学报》期刊2016年01期）
党丽君[3]（2014）在《空气质量监测系统中多分类器的集成技术研究》一文中研究指出电子鼻技术是人工嗅觉模拟技术的应用，其模仿生物嗅觉对待测物体进行感知、分析和识别，首先通过传感器阵列获取信号，然后利用模式识别技术对被测物进行识别输出。电子鼻系统具有检测速度快、可实时在线进行无损或无创检测的特点。本文以电子鼻在空气质量监测中的应用为背景，主要研究了电子鼻空气监测系统的软件设计、特征提取以及模式识别算法等问题。本电子鼻空气监测系统主要包括硬件系统、软件系统和模式识别算法叁个部分。整个系统目前可以完成六种气体的分类识别与浓度预测，检测的目标气体分别为：甲醛、苯、甲苯、一氧化碳、二氧化氮、氨气。本文首先对模式识别领域涉及的特征提取问题进行了研究。由于电子鼻空气监测系统的六类目标污染气体具有线性不可分性，一般的线性特征提取方法，如主成分分析（PCA）和独立分量分析（ICA），难以有效提取其非线性特征。针对该问题，本文以支持向量机分类算法为基础，重点研究了非线性特征提取方法：核主成分分析（KPCA）。同时，将此方法与PCA和ICA进行对比研究，实验结果表明该方法得到了更好的实验效果。同时，本文针对多种污染气体的识别问题进行了研究，提出了一种新的集成分类器模型用于解决电子鼻系统中的多种污染气体识别问题，本文的研究重点旨在提升分类器的识别精度及泛化性能。首先运用非线性核主成分分析方法对输入样本进行特征提取，然后结合支持向量机分类算法构造五个基分类器，最后对五个基分类器的结果进行融合，作为最终的分类结果进行输出。采用了两种方法对基分类器的结果进行融合：多数投票法和基于个体分类器预测精度的权重法。此外，也将本文提出的多分类器集成方法与单一分类器的识别结果进行了比较。通过对电子鼻的样本数据进行验证，分类器的平均识别精度提高到了92%，远远高于单一分类器86%的识别精度。因此，本文提出的方法在识别精度和泛化性能都得到了一定的提升，证明本文提出的多类分类型模型是有效的。(本文来源于《重庆大学》期刊2014-04-01）
夏俊士,杜培军,张伟[4]（2011）在《遥感影像多分类器集成的关键技术与系统实现》一文中研究指出为克服单一分类器在遥感影像分类精度和效率方面的限制,有必要构建多分类器系统,集不同分类器的优点,获得比单一分类器更高的精度。针对遥感影像的特点和分类的需求,在遥感影像多分类器集成系统需求分析和系统设计的基础上,运用IDL语言在ENVI遥感影像处理平台下实现系统开发。遥感影像多分类器集成系统的主要功能包括遥感影像文件处理、特征选择与提取、分类预处理、分类、多种模式的多分类器集成(固定组合模式、用户自定义模式、向导模式和推荐模式)等。通过分类实例对系统应用进行介绍,表明本系统能够有效地提高遥感影像分类精度。(本文来源于《科技导报》期刊2011年21期）
薛梅,郑全弟[5]（2010）在《基于差异性度量的多分类器集成系统设计》一文中研究指出为了解决在分类器集成过程中分类性能要求高和集成过程复杂等问题,分析常规集成方法的优缺点,研究已有的分类器差异性度量方法,提出了筛选差异性尽可能大的分类器作为基分类器而构建的一个层级式分类器集成系统。构建不同的基分类器,选择准确率较高的备选,分析其差异性,选出差异大的分类器作为系统所需基分类器,构成集成系统。通过在UCI数据集上进行的试验,获得了很好的分类识别效果,验证了这种分类集成系统的优越性。(本文来源于《计算机工程与设计》期刊2010年23期）
夏俊士,杜培军,张伟[6]（2010）在《遥感影像多分类器集成系统的设计与实现》一文中研究指出为了克服单一分类器精度和效率方面的限制,构建多分类器系统,能够组合不同分类器的优点,获得比单一分类器更高的精度。针对遥感影像的特点和分类的需求,在系统需求分析和设计的基础上,运用IDL语言在ENVI遥感信息处理平台下实现系统开发。系统主要功能包括:遥感影像文件处理,影像特征选择与提取,分类预处理,遥感影像分类,遥感影像多分类器集成(固定组合模式、用户自定义模式、向导模式和推荐模式),最后通过实例说明利用本系统能够有效地提高遥感影像分类精度。(本文来源于《中国测绘学会2010年学术年会论文集》期刊2010-11-09）
刘昆宏[7]（2008）在《多分类器集成系统在基因微阵列数据分析中的应用》一文中研究指出多分类器集成系统是当前机器学习领域的一个研究热点。由于使用多个基分类器构建的集成系统通常比单个优秀的分类器具有更强的泛化能力,因此多分类器集成系统为许多基于传统模式识别方法很难解决的分类问题提供了新的解决方案。DNA微阵列技术是一种由物理学、微电子学与分子生物学等几个领域综合交叉形成的高新技术,该技术已经在医学与生物学上得到越来越广泛的应用,其中在癌症分析检测上的应用使得在大规模基因水平上深入研究癌症的发生、扩散等病理特征成为可能。特别地,进行可靠的癌症类型诊断与预测、癌症关键基因的识别和癌症的分类已成为当前癌症研究中的两项重要内容。尽管如此,由于微阵列数据具有数据维数高、样本数少的特点,因而使用常规的模式识别方法并不能总是获得理想的结果。本文主要针对多分类器集成系统在基因微阵列数据集上的应用进行了深入的分析与探讨,并设计了新的集成系统,以更好地解决微阵列数据的分类判别问题。全文的主要工作概括如下:(1)从机器学习的角度分析,癌症关键基因识别问题的核心是特征选择问题。本文集合filter方法,分别设计了基于标准遗传算法和多目标遗传算法的集成特征选择方法。实验中,首先使用filter方法对基因进行初步筛选,进而使用遗传算法进一步实现特征选择,然后将所选择的一组特征子集分别用于构造基分类器,以生成集成特征选择系统。实验结果表明,所设计的集成特征选择算法能有效地选择合适的基因子集,而且这种集成系统获得了良好的识别性能。(2)独立分量分析是一种近几年来新提出的线性变换方法,它已经成功地应用在微阵列数据分析上。本文借鉴了集成特征选择方法的思路,设计了集成独立分量选择系统。这种系统首先使用独立分量分析算法对微阵列数据进行线性变换,之后使用遗传算法选择合适的独立分量子集,并分别用于构建基分类器。由于使用这种方法能保证各个基分类器间的差异度,因此最后使用投票法将各个基分类器进行组合,即能构成稳健的集成系统。(3)在应用于微阵列数据分析中,通常独立分量分析算法得到的独立分量集并不总是可重复的。本文利用独立分量集之间的差异,提出一种新的构造集成系统的思路。这个集成系统基于多目标遗传算法,通过对独立分量分析变换后获得的不同独立分量集分别进行筛选,从各个不同的独立分量集中分别获得较优子集,用以构建基分类器。实验结果表明,使用这种方法,能够获得差异度更大的基分类器,因而最终的集成系统具有更优的性能。(4)旋转森林是一种新提出的多分类器集成系统,其特点在于使用线性变换方法生成旋转矩阵,使数据可以投影到不同坐标系中,从而构建有差异的分类器。由于这种系统要求数据集的特征维数不能过高,因此不能直接用在基因微阵列数据分析判别中。本文使用filter方法对基因微阵列数据进行降维,以获得适合旋转森林的数据集。此外,我们还引入独立分量分析技术作为一种新的产生旋转矩阵的方法。在两个常见数据集上的实验结果表明,旋转森林在基因微阵列数据判别中能获得较优的识别效果,并且基于独立分量分析的旋转森林能获得最佳的识别性能。(5)关键基因选择与癌症类别判别方法对处理多类癌症微阵列数据集往往比对两类癌症数据集更困难。其原因在于对多类问题,每类的样本数少,且往往各个类别样本数不均衡。本文设计了一种基于子集成系统的遗传规划,以同时实现特征选择和类别判定。首先,算法将多类问题分解为多个两类问题,然后,在遗传规划算法设计中,使用规模较小的集成系统(称为子集成系统)来分别处理各个两类问题,并将这些子集成系统融合起来,以构成一个个体。由于每个个体都包含一组子集成系统,因此它具有较强的泛化能力,且能直接处理多类判别问题。本文给出了基于特征的差异度测度,并使用局部优化算法来确保各个子集成系统的差异度,从而进一步提高系统运行的效率。实验结果表明,本文设计的算法能同时有效实现关键基因的选择与癌症类别的判定。(本文来源于《中国科学技术大学》期刊2008-04-01）
黄襄念,程萍,彭健,杨波[8]（2000）在《一个联机识别自然手写汉字的多分类器集成系统》一文中研究指出本文提出一种联机识别自然手写体汉字的多分类器集成模型。该模型中 ,我们把依照 0 1、WB和SO特征码设计的不同分类器进行集成 ,综合模式多种全局和局部特征 ,从汉字的多个结构层进行识别。初步实验结果为 ,识别率 98.6 %。(本文来源于《中文信息学报》期刊2000年05期）
多分类器集成系统论文开题报告
（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：
烟草化学成分与感官质量存在着某种对应关系,使用传统的单一分类器方法进行卷烟感官评估指标预测对数据样本依赖性强,且无法克服噪声影响。采用了k-NN(k=3)、k-NN(k=5)、C4.5、BPNN、SVM五种不同的分类方法进行卷烟感官质量的评估预测,并比较了它们的预测正确率,结果表明SVM和k-NN效果较好;同时用不同的采样方法和投票方法搭建了6种多分类器集成系统进行感官评估,实验可得多分类器集成可以起到比单一分类器更好的效果,其中基于训练表现的加权投票方法(不抽样)具有较高的正确率,对于指标光泽、香气、谐调、杂气、刺激和余味的预测准确率分别为90.63%、62.18%、97.20%、86.74%、74.17%和72.16%,比单一分类器中最好的结果分别改进0.69%、0.32%、0.28%、0.59%、0.52%和1.78%。
（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。
多分类器集成系统论文参考文献
[1].蔡晨伟.基于深度特征学习与分类器关联集成的人证比对系统研究[D].江苏大学.2018
[2].石子健,汤建国,张忠良,雒兴刚,唐加福.多分类器集成系统在卷烟感官评估中的应用[J].中国烟草学报.2016
[3].党丽君.空气质量监测系统中多分类器的集成技术研究[D].重庆大学.2014
[4].夏俊士,杜培军,张伟.遥感影像多分类器集成的关键技术与系统实现[J].科技导报.2011
[5].薛梅,郑全弟.基于差异性度量的多分类器集成系统设计[J].计算机工程与设计.2010
[6].夏俊士,杜培军,张伟.遥感影像多分类器集成系统的设计与实现[C].中国测绘学会2010年学术年会论文集.2010
[7].刘昆宏.多分类器集成系统在基因微阵列数据分析中的应用[D].中国科学技术大学.2008
[8].黄襄念,程萍,彭健,杨波.一个联机识别自然手写汉字的多分类器集成系统[J].中文信息学报.2000