导读:本文包含了分类器选择算法论文开题报告文献综述及选题提纲参考文献，主要关键词:机器学习,分类器,基因微阵列,集成特征选择
分类器选择算法论文文献综述
杨爱华[1]（2019）在《集成特征选择的基因微阵列数据分类算法》一文中研究指出多分类器集成是机器学习领域的一个研究热点,基因微阵列技术是多领域综合交叉技术,在医学与生物学上有广泛的应用。但是,基因微阵列数据维度高且样本少等问题使得传统的分类器不能总是取得理想的分类效果。现提出一种基于多目标遗传算法的集成特征选择方法。首先,确定使用基于进化计算的集成特征选择方法进行微阵列数据分析;其次,实现最大化最小边缘的目标设计并不断完善适应值函数;最后,引导算法生成高差异度与精确度的基分类器。在前列腺癌数据集和乳腺癌数据集上与已有方法进行对比,实验表明,提出的方法在对基因微阵列数据进行分类判别方面性能表现良好。(本文来源于《信息记录材料》期刊2019年10期）
郭锋锋[2]（2019）在《大数据背景下引入多重选择机制分类挖掘带概念漂移的高速数据流优化算法》一文中研究指出随着计算机的发展,大数据和5G时代的到来,大数据覆盖人类生活和生产的各个方面,随着数据挖掘技术不断成熟,应用也越来越广泛。随着应用领域扩大,新型非结构化数据越来越多,以数据流形式到达,因此数据流挖掘技术出现了。对于数据流分类挖掘,针对概念漂移问题引入了多重选择机制,对现有的高速数据流分类挖掘算法cvfdt进行了改进,决策树算法与统计理论相结合提出了多重选择决策树算法imprcvfdt。实验表明,改进的算法克服了cvfdt的不能检测概念漂移的问题,并且提高了分类精度和效率。(本文来源于《九江学院学报(自然科学版)》期刊2019年03期）
周强,徐宏伟,陈逸,孙玉宝[3]（2019）在《随机多选择残差网络集成的遥感图像分类算法》一文中研究指出深度卷积网络作为一种高效的特征表示学习算法,被广泛的应用于图像分类问题中.由于遥感图像存在目标尺度与方向变化大、类内场景差异形大等问题,单一的深度网络通常不能获得准确的分类结果.为此,本文提出一种随机多选择残差网络集成的遥感图像分类算法,该算法通过多选择学习策略,集成多个残差网络共同完成分类任务,算法设置有效的集成学习目标函数,并通过随机梯度下降算法最小化多个子网络对每个样本的最优分类误差,促使各个网络之间的差异性,能够自适应于特定类别的分类任务,进而形成有效的分类,同时其泛化性通常显着优于单个学习器.在两个公开的遥感数据集上验证了本文算法的有效性,多个残差网络能够对不同类别的遥感影像形成最优分类,有效提升了分类的准确性.(本文来源于《小型微型计算机系统》期刊2019年09期）
李培强[4]（2019）在《文本的特征选择与分类算法研究》一文中研究指出随着在21世纪互联网信息技术的不断发展,文本分类作为对文本数据管理的有效手段越来越成为当今的研究热点。但文本数据大多以杂乱的形式存在,造成文档特征数量多、分布不均等问题,严重影响文本数据的分类准确率和分类效率。基于此,本文在前人的基础上对文本分类中的特征选择和文本分类算法进行研究,分别给出改进的互信息特征选择模型、基于K中心点和粗糙集理论的KNN分类算法(K Center Point and Rough Set KNN,KRS-KNN)以解决这些问题。针对传统的互信息特征选择算法没有考虑特征词频率、词性及特征词分布问题,分别在传统的互信息模型的基础上结合类内特征频度、特征覆盖率及词性系数这叁个指标,构造出新的互信息评估函数。然后通过向量空间模型对特征向量化,并结合KNN分类模型对文本特征集合分类。最后通过实验对该算法进行验证,实验结果表明该算法在特征选择上具有显着的效果,提高了文本分类的准确率。同时相比于传统的互信息模型在分类上的查全率和F1值也得到了一定提升,证明了该算法应用于文本分类中的有效性和可行性。在文本分类过程中,由于特征维度高,计算难度大,使得分类效率低下,因此引入一种基于K中心点和粗糙集的KNN分类算法。首先该方法在K中心算法的基础上,把文本数据集合聚类为簇,并分别计算每个簇中簇心及其它文本数据的代价函数值,并设定阈值,将代价值较大的数据样本剔除,以降低文本集合的数据规模,减少计算量。然后运用粗糙集理论对已经确定类别的数据样本不再判断所属类别,对不确定的数据利用KNN分类算法对其分类。最后通过实验验证该算法的有效性,结果表明该算法在K中心点的代价函数和粗糙集的帮助下能够有效剔除无用文本数据,降低文本集合的计算规模,使得数据处理时间大大降低,有效提高了文本数据的分类效率。(本文来源于《重庆邮电大学》期刊2019-06-02）
王悦林[5]（2019）在《对文本分类算法选择和数据标注的研究》一文中研究指出本文针对层出不穷的文本分类需求,重点针对基础算法和数据标注进行了研究。(本文来源于《电子技术与软件工程》期刊2019年10期）
黄磊,向泽君,楚恒[6]（2019）在《结合mRMR选择和IFCM聚类的遥感影像分类算法》一文中研究指出为解决高分影像特征间相关性大冗余度高、FCM聚类稳健性差带来的分类精度不佳问题,提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标(OC)进行影像分割,然后利用mRMR算法实现特征选择,解决特征冗余问题,最后将提取的特征输入分类器通过IFCM聚类,得到最终分类结果。试验结果表明,本文算法能减少特征间相关性,降低冗余,并有效提高影像分类精度。(本文来源于《测绘通报》期刊2019年04期）
廖加文,齐春,曹剑中,黄继江[7]（2019）在《结合自适应特征选择和蕨类分类器的相关滤波跟踪算法》一文中研究指出为解决基于核相关滤波架构的跟踪算法所采用的线性插值模型更新策略无法应对目标外观突变的问题,提出一种结合自适应特征选择和蕨类分类器的目标跟踪算法(DRDCF)。首先对提取的多层目标特征层进行主成分分析降维以抽取有用的特征层;其次,采用每帧均对模板固定更新的进取型滤波器结合满足门限条件才进行更新的保守型滤波器定位目标,将进取型滤波器用于预测目标的下一帧位置,将保守型滤波器用于计算进取型滤波器以及检测器产生的预测位置的可靠性;当进取型滤波器预测位置不可靠时,检测器产生预测位置,最后通过对比两者预测位置的可靠性择优确定目标最佳预测位置。实验结果表明,DRDCF算法可以有效解决目标突变所造成的模型污染以及跟踪失败问题,在OTB2015数据集上精度及覆盖率两项指标相较于结合通道和空间约束的相关滤波算法分别提升了2.78%和4.26%,达到前沿算法的效果。(本文来源于《西安交通大学学报》期刊2019年06期）
向进勇,杨文忠,吾守尔·斯拉木[8]（2019）在《基于特征选择和深度信念网络的文本情感分类算法》一文中研究指出由于人类语言的复杂性,文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络(DBN)通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说,DBN是一个耗时且计算代价昂贵的算法。针对这个问题,提出了一种半监督的情感分类算法,即基于特征选择和深度信念网络的文本情感分类算法(FSDBN)。首先使用特征选择方法(文档频率(DF)、信息增益(IG)、卡方统计(CHI)、互信息(MI))过滤掉一些不相关的特征从而使词汇表的复杂性降低;然后将特征选择的结果输入到DBN中,使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中,实验结果表明在酒店评论数据集上,FSDBN在准确率方面比DBN提高了1.6%,在训练时间上比DBN缩短一半。(本文来源于《计算机应用》期刊2019年07期）
李长松,刘凯,肖先勇,金耘岭[9]（2019）在《基于条件互信息特征选择法和Adaboost算法的电能质量复合扰动分类》一文中研究指出为准备识别复杂电能质量扰动类型,提出一种基于条件互信息平均最优化(avg-CMIM)特征选择法与Adaboost动态集成分类器的电能质量复合扰动分类策略。首先基于条件互信息,提出准确衡量特征与扰动类别相关性、特征集内部目标导向冗余性的评价准则,得到不同扰动标签相匹配的最优分类特征集。再利用Adaboost分类器进行动态增强学习,对未知样本进行标签识别,通过组合标签结果确定复合扰动的组成成分,实现电能质量复合扰动的识别。仿真结果表明,在不同程度噪音下,该方法能够高效准确地识别电压暂升、电压暂降、电压短时中断、谐波、脉冲暂态和振荡暂态等单一扰动和其组合成的复合扰动,并通过实测数据验证了方法的正确性和可行性。(本文来源于《高电压技术》期刊2019年02期）
刘云,黄荣乘[10]（2019）在《最大判别特征选择算法在文本分类的优化研究》一文中研究指出采用朴素贝叶斯分类器进行文本分类时,特征选择方法的好坏直接影响到分类器的性能.本文提出一种最大判别(MD)特征选择算法,由训练得到N个类的概率分布后,通过对样本进行测试并得到其特征向量d中每个特征词区分类别的能力,并构造出了一个新的特征向量ε用于分类,使得从中选取的部分特征词具有最大的类别区分能力.仿真结果表明,与cMFD,CSFS和CMFS叁种特征选择算法相比,MD特征选择算法能在选取较少特征词情况下,获得更高的分类精度.(本文来源于《四川大学学报(自然科学版)》期刊2019年01期）
分类器选择算法论文开题报告
（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：
随着计算机的发展,大数据和5G时代的到来,大数据覆盖人类生活和生产的各个方面,随着数据挖掘技术不断成熟,应用也越来越广泛。随着应用领域扩大,新型非结构化数据越来越多,以数据流形式到达,因此数据流挖掘技术出现了。对于数据流分类挖掘,针对概念漂移问题引入了多重选择机制,对现有的高速数据流分类挖掘算法cvfdt进行了改进,决策树算法与统计理论相结合提出了多重选择决策树算法imprcvfdt。实验表明,改进的算法克服了cvfdt的不能检测概念漂移的问题,并且提高了分类精度和效率。
（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。
分类器选择算法论文参考文献
[1].杨爱华.集成特征选择的基因微阵列数据分类算法[J].信息记录材料.2019
[2].郭锋锋.大数据背景下引入多重选择机制分类挖掘带概念漂移的高速数据流优化算法[J].九江学院学报(自然科学版).2019
[3].周强,徐宏伟,陈逸,孙玉宝.随机多选择残差网络集成的遥感图像分类算法[J].小型微型计算机系统.2019
[4].李培强.文本的特征选择与分类算法研究[D].重庆邮电大学.2019
[5].王悦林.对文本分类算法选择和数据标注的研究[J].电子技术与软件工程.2019
[6].黄磊,向泽君,楚恒.结合mRMR选择和IFCM聚类的遥感影像分类算法[J].测绘通报.2019
[7].廖加文,齐春,曹剑中,黄继江.结合自适应特征选择和蕨类分类器的相关滤波跟踪算法[J].西安交通大学学报.2019
[8].向进勇,杨文忠,吾守尔·斯拉木.基于特征选择和深度信念网络的文本情感分类算法[J].计算机应用.2019
[9].李长松,刘凯,肖先勇,金耘岭.基于条件互信息特征选择法和Adaboost算法的电能质量复合扰动分类[J].高电压技术.2019
[10].刘云,黄荣乘.最大判别特征选择算法在文本分类的优化研究[J].四川大学学报(自然科学版).2019