导读:本文包含了分类集成论文开题报告文献综述及选题提纲参考文献,主要关键词:图像分类,集成卷积神经网络,建模
分类集成论文文献综述
邓波[1](2019)在《集成卷积神经网络的图像分类》一文中研究指出本文针对环境监控视频图像分类,文章从集成卷积神经网络的角度,探析了其在图像分类中的有效应用,以卷积神经网络实现图像处理,建立不同计算神经节点,评估图像并进行分类。实验结果表明,深度神经网络拥有最大间隔和最小分类误差,是对交叉熵准则的有效补充,对图像的分类处理结果良好,值得进一步的研究和推广。(本文来源于《电子技术与软件工程》期刊2019年22期)
顾浩,尹钟[2](2019)在《基于脑电信号与集成分类器的心理负荷评估》一文中研究指出为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机(SVM)与超限学习机(ELM)的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息;超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。(本文来源于《软件导刊》期刊2019年11期)
郜丽鹏,李勇[3](2019)在《一种基于集成学习的DBN模型分类方法》一文中研究指出雷达信号分类是雷达信号电子侦察的关键技术之一,针对利用深度学习模型进行雷达信号分类时其性能不稳定的缺点,提出了一种基于集成学习的深度信念网络模型进行分类的方法.通过深度信念网络模型不同层间的特征抽取,通过不同的分类器得到不同的分类结果,再将分类结果进行集成,得到最终的输出.待分类的雷达信号由12部雷达产生,包括常规、参差、频率捷变和抖动四种雷达.仿真结果表明,该模型的分类错误率较低,鲁棒性较好.(本文来源于《哈尔滨商业大学学报(自然科学版)》期刊2019年05期)
段吉东,刘双荣,马坤,孙润元[4](2019)在《基于集成学习的文本情感分类方法》一文中研究指出针对自然语言处理的文本情感分类问题,提出一种基于集成学习的文本情感分类方法;基于微博数据的特殊性,首先对微博数据进行分词等预处理,结合词频-逆文档频率(TF-IDF)和奇异值分解(SVD)方法进行特征提取和降维,再通过堆迭泛化(stacking)集成学习的方式进行分类模型融合。结果表明,模型融合对文本情感分析的准确率达到93%,可以有效地判别微博文本的情感极性。(本文来源于《济南大学学报(自然科学版)》期刊2019年06期)
富雨晴[5](2019)在《基于优势粗糙集的属性选择与集成分类方法设计》一文中研究指出粗糙集理论是一种处理不确定信息的有效工具,利用其可在无任何先验信息下获取属性约简子集。本文采用优势粗糙集理论中的排列互信息和最大相关最小冗余相融合技术进行属性子集选取,在每个属性子集上对五种决策树进行训练并作为基础分类器,并按照投票机制融合个体分类器的输出得到最终决策结果。在实际数据集上的实验表明,基于排列互信息和最大相关最小冗余方法得到属性子集能够反映数据本质信息,使得分类算法有较好的准确率。同时,与单个决策树的分类结果相比,融合决策树具有较好的分类效果。(本文来源于《价值工程》期刊2019年28期)
杨爱华[6](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)
张莹,龚涛,孔繁珍[7](2019)在《基于分类算法的集成电路芯片缺陷分析》一文中研究指出从电路故障检测的研究现状、硬件木马检测的研究现状入手,介绍缺陷检测技术的研究现状。基于小波分析的特性提取方法,分析了集成电路芯片的硬件故障分类方法。研究硬件电路故障分类的仿真实验。总结集成电路芯片的硬件故障分类方法对分析硬件缺陷带来的积极影响。(本文来源于《集成电路应用》期刊2019年10期)
袁培森,杨承林,宋玉红,翟肇裕,徐焕良[8](2019)在《基于Stacking集成学习的水稻表型组学实体分类研究》一文中研究指出为研究整合水稻表型组学相关知识,系统地建立水稻表型组学知识图谱,通过分布式爬虫框架从国家水稻数据中心网站获取水稻表型组学数据集,并以互动百科为辅助数据源获取水稻表型组学数据。对水稻表型组学数据采用TF-IDF技术结合潜在语义模型进行预处理,并对水稻表型组学实体进行人工分类和标注。为实现水稻表型组学实体分类,研究了基于堆迭式两阶段集成学习的分类器组合模型,结合K-近邻算法、支持向量机、随机森林、梯度提升决策树机器学习方法,提升水稻表型组学实体数据分类的性能。研究表明,基于堆迭式两阶段集成学习的分类器组合模型对不同类别的水稻表型组学数据都具有较好的多分类能力,对于不平衡的水稻表型组学数据集,本文方法的分类器组合模型对水稻表型组学数据分类效果最佳,Gene类别的F_1为90. 47%,总体准确率达80. 55%,比支持向量机、K-近邻、随机森林和梯度提升决策树4种基分类器的分类准确率平均高6. 78个百分点。(本文来源于《农业机械学报》期刊2019年11期)
周强,徐宏伟,陈逸,孙玉宝[9](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)
宋亚男,金昕晔,张颖,陈康,应俊[10](2019)在《基于集成学习的2型糖尿病患者降糖药用药方案智能分类探讨》一文中研究指出目的探讨集成学习中的Adaboost算法在2型糖尿病患者降糖药用药模式分析中的应用。方法收集解放军总医院第一医学中心2013-2017年的2型糖尿病住院患者病例资料3 005例,随机选择1 697例为训练集,1 308例为测试集,根据医嘱用药、生化检验、基本体征、人口统计学等资料,应用Adaboost算法建立学习模型,对患者用药模式进行分类,并计算模型的准确性和Kappa系数。结果 Adaboost模型预测的用药分类准确率为64.2%,Kappa系数为0.36。通过Adaboost模型分析,发现与降糖药用药相关的重要变量有尿肌酐、糖化血红蛋白、肌酸激酶同工酶、空腹血糖等。结论 Adaboost算法在降糖药用药方案的预测方面具有较好的效果,集成学习方法在患者用药决策方面具有一定可行性。(本文来源于《解放军医学院学报》期刊2019年08期)
分类集成论文开题报告
(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:
为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机(SVM)与超限学习机(ELM)的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息;超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。
(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。
分类集成论文参考文献
[1].邓波.集成卷积神经网络的图像分类[J].电子技术与软件工程.2019
[2].顾浩,尹钟.基于脑电信号与集成分类器的心理负荷评估[J].软件导刊.2019
[3].郜丽鹏,李勇.一种基于集成学习的DBN模型分类方法[J].哈尔滨商业大学学报(自然科学版).2019
[4].段吉东,刘双荣,马坤,孙润元.基于集成学习的文本情感分类方法[J].济南大学学报(自然科学版).2019
[5].富雨晴.基于优势粗糙集的属性选择与集成分类方法设计[J].价值工程.2019
[6].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
[7].张莹,龚涛,孔繁珍.基于分类算法的集成电路芯片缺陷分析[J].集成电路应用.2019
[8].袁培森,杨承林,宋玉红,翟肇裕,徐焕良.基于Stacking集成学习的水稻表型组学实体分类研究[J].农业机械学报.2019
[9].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
[10].宋亚男,金昕晔,张颖,陈康,应俊.基于集成学习的2型糖尿病患者降糖药用药方案智能分类探讨[J].解放军医学院学报.2019