

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、局部學(xué)習(xí)方法理論上具有較小的泛化誤差,近年來(lái)在機(jī)器學(xué)習(xí)領(lǐng)域受到了一定關(guān)注。與全局學(xué)習(xí)方法相比,局部學(xué)習(xí)方法更加注重樣本的局部分布,并且通過(guò)合理的選擇局部參數(shù)達(dá)到比較好的分類效果。本文重點(diǎn)研究一種最新的支持向量機(jī)方法,即局部核分類器(FaLK-SVM)方法。它是一種有效的局部核學(xué)習(xí)方法。在訓(xùn)練階段,它采用覆蓋樹(shù)算法尋找k’-近鄰,用貪心算法進(jìn)行中心集合覆蓋,并進(jìn)而訓(xùn)練以這些中心k-近鄰為局部問(wèn)題的模型;在預(yù)測(cè)階段,對(duì)于給定的一個(gè)未知樣本點(diǎn)
2、,用覆蓋樹(shù)檢索它的最近鄰,并用最近鄰的局部模型來(lái)預(yù)測(cè)未知樣本的類別。然而,如何選擇適當(dāng)?shù)囊粋€(gè)局部分類器仍然比較困難,并且因?yàn)椴捎秘澬乃惴ㄟM(jìn)行k’-近鄰中心集合覆蓋,因此,離未知樣本點(diǎn)最近的那個(gè)訓(xùn)練樣本點(diǎn)有可能在多個(gè)的局部模型內(nèi)。為此,我們基于局部核分類器方法,提出了使用多個(gè)局部模型聯(lián)合預(yù)測(cè)某一未知樣本點(diǎn)的自適應(yīng)加權(quán)融合方法(FaLK-SVMa),該方法用該訓(xùn)練樣本點(diǎn)所在的所有的局部模型聯(lián)合預(yù)測(cè)未知樣本點(diǎn),使得該分類方法更加穩(wěn)定。另外我們
3、還提出了兩種權(quán)重計(jì)算策略,使得離未知樣本點(diǎn)最近的訓(xùn)練樣本點(diǎn)所在的每個(gè)局部模型對(duì)最終的預(yù)測(cè)結(jié)果都有一個(gè)貢獻(xiàn)分量。這些都使得預(yù)測(cè)結(jié)果更加合理,而且更加穩(wěn)定。
我們把改進(jìn)后的局部核分類器方法,即自適應(yīng)加權(quán)融合方法應(yīng)用在兩類問(wèn)題和多類問(wèn)題的UCI數(shù)據(jù)集上,其中,兩類問(wèn)題包括14個(gè)較小數(shù)據(jù)集和3個(gè)大的數(shù)據(jù)集;多類問(wèn)題包括3個(gè)多類數(shù)據(jù)集。從實(shí)驗(yàn)結(jié)果可以看出,這種加權(quán)融合方法整體上不僅性能上預(yù)測(cè)精度較局部核分類器方法更高,而且訓(xùn)練階段的時(shí)間
4、復(fù)雜度還沒(méi)有任何的增長(zhǎng)。因此,可以看到我們提出的這種融合方法的優(yōu)勢(shì)所在。
我們進(jìn)一步將上述我們提出的自適應(yīng)加權(quán)融合方法應(yīng)用到脈象分類研究中,研究了基于局部核分類器的中醫(yī)脈形分類問(wèn)題。我們對(duì)從二一一醫(yī)院采集的脈象樣本進(jìn)行預(yù)處理和提取單周期脈形特征,然后我們把這種自適應(yīng)加權(quán)融合方法應(yīng)用在整理后的中醫(yī)脈形數(shù)據(jù)的兩類脈象分類問(wèn)題和多類脈象分類問(wèn)題上,做了大量實(shí)驗(yàn)對(duì)比了幾種方法,并深入的分析了相關(guān)的局部參數(shù)對(duì)這幾種分類方法產(chǎn)生的影響。實(shí)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 特征分類器研究及其在圖像分類中的應(yīng)用.pdf
- 貝葉斯分類器研究及其在Web文檔分類中的應(yīng)用.pdf
- 多核極限學(xué)習(xí)機(jī)性能分析及其在脈象分類中的應(yīng)用.pdf
- 多分類器組合及其在醫(yī)學(xué)圖像分類中的應(yīng)用.pdf
- 局部支持向量機(jī)的研究及其在分類中的應(yīng)用.pdf
- 局部線性嵌入在文本分類中的應(yīng)用.pdf
- 并行分類算法及其在文本分類中的應(yīng)用.pdf
- 多組合分類器在局部區(qū)域氣溫預(yù)測(cè)中的研究與應(yīng)用.pdf
- 中文文本層次分類研究及其在唐詩(shī)分類中的應(yīng)用.pdf
- 組合分類器在人臉識(shí)別中的應(yīng)用.pdf
- 基于分類器多樣性的集成分類器構(gòu)建算法及其在腦電信號(hào)分類應(yīng)用中的研究.pdf
- 核logistic神經(jīng)網(wǎng)絡(luò)分類器及在血液透析診斷中的應(yīng)用.pdf
- 組合分類器及其在公司財(cái)務(wù)困境預(yù)測(cè)中的應(yīng)用.pdf
- 幾種新型分類器設(shè)計(jì)及其在人臉識(shí)別應(yīng)用中的研究.pdf
- 子空間分類集成及其在文本分類中的應(yīng)用研究.pdf
- 概率統(tǒng)計(jì)在分類器設(shè)計(jì)中的應(yīng)用及樸素貝葉斯分類器改進(jìn)研究.pdf
- 決策樹(shù)分類器的實(shí)現(xiàn)及在遙感影像分類中的應(yīng)用.pdf
- AFS模糊邏輯在分類器設(shè)計(jì)中的應(yīng)用.pdf
- 拱券的分類及其在中原建筑中的應(yīng)用
- 鄰域粗糙集的屬性約簡(jiǎn)算法及其在分類器中應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論