基于决策融合的多分类器系统研究开题报告
2021-12-23 09:12
全文总字数：2579字
1. 研究目的与意义及国内外研究现状
近年来,人们在研究中发现，尽管各分类算法的性能不同，但它们的误识集合却并不一定交叉，表明不同的分类算法之间存在着互补信息。这是由于不同性质的特征往往反映事物的不同方面，在一种特征空间很难区分的两种模式可能在另一种特征空间上很容易区分开，而对应于同一特征的不同分类器又从不同的角度将该特征映射在结果集合上，因此，利用不同性质特征和不同分类器的组合就可能全面反映出一个模式，从而得到一个较好的分类结果。即通过多分类器融合可能提高分类精准度。这种研究发现激发了人们对多分类器集成的研究兴趣。多分类器系统可将各成员分类器进行有机结合，利用其检测的信息和不同的处理方法以获得对分类对象的全面检测信息，提高分类精度。同时它还能避免选取性能较差的学习算法，当各个成员分类器有足够互补信息时，得到优于单分类器的性能。而分类器的最终结果往往依赖于或者与一些中间概念相关联，探索这种依赖性，通过学习与目标相联系的中间概念来帮助人们对目标概念的理解也是很有趣的。因此，对多分类器系统的探究也必将是充满无限乐趣和深远意义的。
国内外研究现状
分类实际上是有监督的学习过程。它的特点是根据已经掌握的每类若干样本的数据信息，总结出分类的规律性，建立判别公式和判别规则。然后，当遇到新的样本点时，只需根据总结出的判别公式和判别规则，就能判别该样本点所属的类别。多分类器融合作为有监督学习的一个重要方向，是指在数据库的基础上，综合利用各种技术，从大量的数据中提取出可信的、新颖的、事先未知的、潜在有用的和最终可理解的知识，从而揭示出蕴含在数据背后的客观世界的本质规律、内在联系和发展趋势，实现知识的自动获取，为决策知识提供重要的依据。
2. 研究的基本内容
本人主要通过Matlab对数据图像使用不同的弱分类器进行图像分类，然后再通过不同的算法对弱分类器进行迭代处理，来获取更高精度的分类图像，通过一系列的精度的对比分析得出结论。
3. 实施方案、进度安排及预期效果
实施方案：首先使用Matlab对原始图像进行预处理，进行图像分类。其次运用不同的分类器集成算法对弱分类器的处理结果进行迭代分析，最后通过精度对比来对来比较多分类器集成和弱分类器的优缺点。
预期效果：通过不同的分类器集成算法来处理的图像分类结果应该优于弱分类器处理的图像分类结果。随着迭代次数的增加，图像的分类精度应该随之增长。
4. 参考文献
[1] hanj.w.andkamberm.，数据挖掘概念与技术(原书第2版)[m]，范明，孟小峰等译，北京:机械工业出版社，2007.
[2] witter i.h.and franke.，数据挖掘:实用机器学习技术(原书第二版)[m]，董琳，于晓峰等译，北京:机械工业出版社，2006.
[3] 贺清碧，胡久永，数据挖掘技术综述[j]，西南民族大学学报(自然科学版)，2002(3)，33(2),236一240.
