基于遗传算法的学习分类器系统研究

分析了基于遗传算法的学习分类器系统的体系结构,并对消息与分类器匹配、桶队列算法信用分配以及基于遗传算法的规则发现等关键技术进行了研究,推导证明了利用桶队列算法更新分类器强度的收敛性理论,通过对六值布尔函数的学习,进一步对学习分类器系统的学习性能、分类器强度更新收敛性进行了仿真验证。     

多分类器系统的泛组合规则研究与应用

现有的多分类器系统采用固定的组合算子,适用性较差。将泛逻辑的柔性化思想引入多分类器系统中,应用泛组合运算模型建立了泛组合规则。泛组合规则采用遗传算法进行参数估计,对并行结构的多分类器系统具有良好的适用性。在时间序列数据集上的分类实验结果表明,泛组合规则的分类性能优于乘积规则、均值规则、中值规则、最大规则、最小规则、投票规则等固定组合规则。     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的遗传算法,引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力。同时,用改进的遗传算法和基本的遗传算法训练神经网络构造分类器,实验结果表明,改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

基于遗传算法的多扰动多K近邻分类器系统

为改善维数灾难对K近邻分类器的影响,提出一种基于遗传算法(GA)的多扰动的K近邻融合算法,简称GA-MKNNC算法。目标扰动将所识别的问题划分成多个子分类问题进行单独识别。针对不同子分类问题,数据扰动选取相关的数据,特征扰动确定相关的特征,参数扰动明确相关参数值。数据扰动由Bagging算法确定。特征扰动和参数扰动通过GA学习得到。多个子分类问题的决策通过最大融合得到最终决策。实验结果表明,该算法的性能优于K近邻分类器及多数融合算法,且选用的子分类器数目少于FASBIR算法。     

遗传算法中基于规则的分类器编码长度研究

遗传学为基础的机器学习使用遗传算法作为学习机制,设计以规则为基础的分类系统,通过训练数据集来实现类别的精确描述。针对遗传算法编码没有统一标准的问题,研究基于规则的分类器个体特征编码长度与分类准确率以及效率之间的关系,通过概率逼近分析个体特征编码长度对分类准确率的影响,利用迭代步骤数的数学期望计算方法,计算遗传算法分类器的分类效率。实验结果证明,遗传算法在密西根编码条件下,个体特征编码长度越长,分类器的分类准确率越高、收敛速度越慢。     

神经网络分类器的组合

利用神经网络分类器组合,对手写体数字识别问题进行了研究。通过对同一训练样本集抽取不同的特征集合,从而获得不同的神经网络分类器。对这些分类器的分类结果组合得到最终的分类结果。提出性能函数PF（S,T）用来确定阈值S,T,从而获得错误率与拒识率间的最佳平衡,实验结果表明,此种分类器组合方法能根据不同应用的要求,自动地选取性能函数中的参数,减少分类错误率,提高识别的可靠性。     

基于新型神经网络分类器的故障诊断模型

针对故障诊断技术普遍存在的问题：缺乏通用性、不能同时保证稳定性和可塑性以及难以实时应用等,提出了一种故障示例模型,具有较好的通用性;采用的FANNC神经网络具有增量学习能力以及只需一遍学习就能完成同新增模式匹配的特点,在保证了模型的实时处理能力的同时,能较好地解决诊断系统的稳定性和可塑性两难问题。     

基于遗传算法的组合式分类器选择

本文讨论了多分类器组合中的分类器选择问题,提出一种基于遗传算法的分类器选择算法,此算法可以快速选出有效的分类器参与组合.文中给出了指定分类器数目和任意分类器数目两种情况下分类器选择的算法.最后在CENPARMI手写体数字数据库上验证了我们的算法和结论.实验结果表明,此种分类器选择算法具有较好的性能.     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。     

应用神经网络分类器识别手写邮政编码

介绍了神经网络分类器的一般原理,提出了应用神经网络分类器识别手写邮政编码的基本方法。针对手写邮政编码模式内在的多样性和复杂性,又提出一种自适应树状网络模型以适应复杂数据的处理。     

多分类器组合的交通拥堵预测模型研究

交通拥堵已成为制约城市经济和社会发展的"瓶颈",针对影响交通拥堵因素多的特点,在分析单分类器与Bagging类算法的基础上,提出一种基于多分类器组合的交通拥堵判别方法.通过分析交通流参数,同时充分考虑与城市路况相关的环境因素,得出城市道路的拥堵预测模型.仿真结果表明,它能够有效地判别道路拥堵的状态变化,比不考虑环境因素影响时能够获得更高的识别率和较低的误报率.     

一种基于距离的神经网络分类器的设计方法

本文提出一种基于距离的神经网络分类器的设计方法。用这种方法设计的网络比采用一般BP算法的网络有较快的收敛速度。这种网络也为理解三层网络的映射能力、记忆容量及隐节点的设置等问题提供了很好的启发和帮助。     

产生式与判别式线性混合分类器

产生式方法和判别式方法是解决分类问题的两种不同框架,具有各自的优势。为利用两种方法各自的优势,文中提出一种产生式与判别式线性混合分类模型,并设计一种基于遗传算法的产生式与判别式线性混合分类模型的学习算法。该算法将线性混合分类器混合参数的学习看作一个最优化问题,以两个基分类器对每个训练数据的后验概率值为数据依据,用遗传算法找出线性混合分类器混合参数的最优值。实验结果表明,在大多数数据集上,产生式与判别式线性混合分类器的分类准确率优于或近似于它的两个基分类器中的优者。     

GCIDS:基于遗传分类器的入侵检测与响应系统

随着网络技术的发展,入侵检测系统成为研究的热点。该文提出采用遗传分类器的方法识别和响应入侵,给出了编码方案以及规则匹配和更新算法,使入侵检测系统具有学习功能,可以适应新型攻击方法。最后,提出了下一步研究的方向。     

基于深度学习的智能骨龄分类器

通用深度学习算法提取的医学手骨图像特征不能很好地区分相近年龄图像的差异, 这导致骨龄分类器的预测精度较低. 根据基于深度学习的轻量级神经网络MobileNet设计了一种改进的骨龄分类器RIL-MobileNetV3 Large, 通过改进LBP处理层得到了具有细致纹理特征的手骨数据集并引入注意力机制进行自动定位, 通过学习处理层处理后的手骨X光片中的深层区域特征完成识别和骨龄的分类, 在公共数据集上进行实验并对该分类器进行多次训练调优, 结果表明改进设计的分类器在骨龄预测中具有高达94.204%的准确率和0.350岁的均值误差, 而且改进的轻量级网络为可移动智能便携预测骨龄奠定基础.     

神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。     

学习分类器在绩效寻优中的应用及其组织决策意义

首先简单介绍了学习分类器算法及其应用情况, 其次通过一个博奕问题比较了学习分类器、分类器、反馈系统及随机游走策略这4种比较常见的组织决策模式在绩效寻优方面的效率, 指出了学习分类器算法在解决复杂系统的绩效寻优方面具有比较高的效率, 对组织的决策模式具有很大的启发意义.     

遗传算法在数据挖掘多种分类器合并中的应用

数据挖掘在电子商务中发挥着越来越重要的作用。分类是数据挖掘中一项非常重要的任务。由于单独的分类器都具有一定的适用范围，所以将多个分类器的分类结果进行合并形成更高精度的分类结果是很有意义的一种方法。文中提出了一种基于遗传算法将多种分类器进行合并，以提高分类精度，扩大数据挖掘程序应用范围的方法。     

基于BiGRU和贝叶斯分类器的文本分类

针对传统的循环神经网络模型在处理长期依赖问题时面临着梯度爆炸或者梯度消失的问题,且参数多训练模型时间长,提出一种基于双向GRU神经网络和贝叶斯分类器的文本分类方法。利用双向GRU神经网络提取文本特征,通过TF-IDF算法权重赋值,采用贝叶斯分类器判别分类,改进单向GRU对后文依赖性不足的缺点,减少参数,缩短模型的训练时间,提高文本分类效率。在两类文本数据上进行对比仿真实验,实验结果表明,该分类算法与传统的循环神经网络相比能够有效提高文本分类的效率和准确率。