西安交通大学学报
西安交通大學學報
서안교통대학학보
JOURNAL OF XI'AN JIAOTONG UNIVERSITY
2014年
12期
63-68
,共6页
杨宏晖%王芸%孙进才%戴健%李亚安
楊宏暉%王蕓%孫進纔%戴健%李亞安
양굉휘%왕예%손진재%대건%리아안
分类器集成%AdaBoost算法%支持向量机%样本选择%特征选择
分類器集成%AdaBoost算法%支持嚮量機%樣本選擇%特徵選擇
분류기집성%AdaBoost산법%지지향량궤%양본선택%특정선택
classifier ensemble%AdaBoost algorithm%support vector machine%instance selection%feature selection
为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法(IFSelect-SVME).该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统.对实验所用9组UCI数据集的仿真结果表明:与支持向量机集成(SVME)算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8％～80.0％,特征数可减少32.2％～81.5％,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度.
為提高AdaBoost分類器集成算法的分類精確度併簡化分類繫統的複雜度,提齣一種融閤樣本選擇與特徵選擇的AdaBoost支持嚮量機集成算法(IFSelect-SVME).該算法在AdaBoost算法的每箇循環中利用加權免疫剋隆樣本選擇算法進行樣本選擇,併用互信息順序嚮前特徵選擇算法進行特徵選擇,再利用每箇循環優化選擇得到的特徵樣本子集訓練箇體SVM分類器,併對其進行加權集成,生成最終的決策繫統.對實驗所用9組UCI數據集的倣真結果錶明:與支持嚮量機集成(SVME)算法相比,IFSelect-SVME算法的正確分類率有所提高,且樣本數可減少30.8％～80.0％,特徵數可減少32.2％～81.5％,簡化瞭集成結構,縮短瞭測試樣本的分類時間,所得到的分類繫統具有更好的分類精度.
위제고AdaBoost분류기집성산법적분류정학도병간화분류계통적복잡도,제출일충융합양본선택여특정선택적AdaBoost지지향량궤집성산법(IFSelect-SVME).해산법재AdaBoost산법적매개순배중이용가권면역극륭양본선택산법진행양본선택,병용호신식순서향전특정선택산법진행특정선택,재이용매개순배우화선택득도적특정양본자집훈련개체SVM분류기,병대기진행가권집성,생성최종적결책계통.대실험소용9조UCI수거집적방진결과표명:여지지향량궤집성(SVME)산법상비,IFSelect-SVME산법적정학분류솔유소제고,차양본수가감소30.8％～80.0％,특정수가감소32.2％～81.5％,간화료집성결구,축단료측시양본적분류시간,소득도적분류계통구유경호적분류정도.
