导读:本文包含了集成学习论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:深度,机器,网络,在线,卷积,神经网络,交通标志。
集成学习论文文献综述
祁欣学,覃锡忠,贾振红,常春,樊树铭[1]（2019）在《基于田口集成学习的最佳交通流量预测模型》一文中研究指出针对预测准确性对数据相关性和网络结构极为敏感的问题,采用田口方法选择集成学习的结构参数,在保证学习多样性的同时,提高选择过程的效率,保证预测的准确性。实验仿真计算结果表明,在多个路段的交通流量数据集上,该方法皆取得了满意的预测效果,模型具有较好的鲁棒性。将仿真结果与其它算法进行比较,比较结果表明,相比传统ARIMA、MLP模型,其预测精度分别提高了4.51%、11.23%。(本文来源于《计算机工程与设计》期刊2019年12期）
连超,李华,刘亚,韩家茂,阮宏玮[2]（2019）在《一种基于DBN-LR集成学习的异常检测模型》一文中研究指出目前企业所面临的运维环境往往是复杂系统的整合,因此,对多种数据源进行有效综合分析和异常检测,做到故障规避、及时止损,是企业在数字化转型道路上的关键.本文在分析云环境异常检测特点的基础上,提出了一种基于深度置信网络集成学习的异常检测模型.该模型解决了运维数据集正负样本不平衡问题,同时利用深度置信网络良好的特征提取功能,对多源时序KPI数据进行有效降维,并结合逻辑回归和受限玻尔兹曼机实现了异常检测,单个弱分类器对异常的识别率在99%以上.将多个弱分类器进行多数投票集成,提高了模型整体的泛化性,使异常检测模型的平均准确率达到了98. 35%.(本文来源于《小型微型计算机系统》期刊2019年12期）
王国薇,黄浩,周刚,胡英[3]（2019）在《集成学习在短文本分类中的应用研究》一文中研究指出为了进一步提高基于深度神经网络短文本分类性能,提出将集成学习方法应用于5种不同的神经网络文本分类器,即卷积神经网络、双向长短时记忆网络、卷积循环神经网络、循环卷积神经网络、分层注意力机制神经网络,分别对两种集成学习方法(Bagging,Stacking)进行了测试。实验结果表明:将多个神经网络短文本分类器进行集成的分类性能要优于单一文本分类模型;进一步两两集成的实验验证了单个模型对短文本分类性能的贡献率。(本文来源于《现代电子技术》期刊2019年24期）
刘树艺,李静,胡春,王伟[4]（2019）在《基于卷积神经网络与集成学习的交通标志识别》一文中研究指出为提高复杂情况(如遮挡、透视畸变等)下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。(本文来源于《计算机与现代化》期刊2019年12期）
吴迎年,贺梦嘉,项伟[5]（2019）在《基于集成学习的人眼定位和头部状态检测研究》一文中研究指出针对人眼定位中的实时性检测问题,设计了基于Viola-Jones算法的人眼实时检测系统,通过MATLAB控制外接或网络摄像头对检测到的人眼图片进行实时读取和实时定位,通过正面图、侧视图、俯仰图的检测,表明人眼实时定位系统检测效果较好并具有很好的鲁棒性。针对小数据集对头部状态的分类效果较差的情况,使用随机森林算法将俯仰角和偏航角的分别用HOG-LBP融合特征和Haar-like特征分类,再将得到的俯仰角和偏转角进行融合,在Pointing'04数据集上对比直接分类准确率提升了4.5%。(本文来源于《系统仿真学报》期刊2019年11期）
高欢,那日萨,杨凡[6]（2019）在《基于集成学习的在线评论情感倾向分析》一文中研究指出【目的/意义】准确挖掘消费者在线评论情感倾向,对于改善商家服务具有重要意义,而情感倾向预测的准确性仍需提高。【方法/过程】文中设计基于集成学习的在线评论情感分类算法,即以N-gram算法分析在线评论词语特征,结合情感词典构造文本特征,利用逻辑回归、Light GBM等机器学习方法为基础的集成学习进行训练,实现在线评论情感分类。【结果/结论】实现了评论的情感倾向预测,在电脑评论数据集,较之于经典的SVM算法和无监督类算法,该模型的分类衡量指标F1值分别提高了10%到30%不等。同时,在酒店、图书等不同领域的数据集上显示,该方法的分类准确性仍具有上述效果,证明了该方法具有领域移植性。(本文来源于《情报科学》期刊2019年11期）
邱金鹏[7]（2019）在《基于集成学习的动态Web页面语义标注方法研究》一文中研究指出传统Web页面语义标注方法需手工处理,或只可将Web页面中有属性的标签赋予数据,针对无属性标签数据不进行标注,不适于大规模Web页面信息标注,且标注结果不可靠。为此,提出一种新的基于集成学习的动态Web页面语义标注方法。给出动态Web页面语义标注流程。将Web页面转换成DOM树,识别待标注文本。选取抽取信息特征与训练Web页面特征,将含有语义信息的内容分配至概念抽象化的本体上,采用多分类器集成学习方法进行分类,区分待标注信息是属性标签还是数据元素,通过不同分类器预测结果的一致性对相应样本被准确标注的置信度进行衡量。通过训练页面中涵盖的属性标注规则集与抽取信息中的属性名称实现语义标注。实验结果表明,所提方法适于大规模动态Web页面语义标注,标注结果可靠。(本文来源于《科技通报》期刊2019年10期）
张玉玺,贺松,尤思梦[8]（2019）在《集成学习在糖尿病预测中的应用》一文中研究指出糖尿病、高血压和心脑血管病并称为影响人类健康的叁大杀手,不仅对患者的生命健康造成严重的威胁,也给患者的家庭造成严重的经济负担。对糖尿病做出准确的预测,意义深远。本文采用了KNN、支持向量机、逻辑回归、随机森林、集成学习五种方法对糖尿病数据进行预测,分别取得了71.86%,72.29%,74.46%,71.87%,76.62%的准确率。结果表明,集成学习预测效果最佳,验证了其优异性。(本文来源于《智能计算机与应用》期刊2019年05期）
郜丽鹏,李勇[9]（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）
张碧怡,肖宇谷,曾宇哲[10]（2019）在《车险定价中风险因子重要性测度的比较研究——基于集成学习方法和广义线性回归模型》一文中研究指出车险业务中影响车险损失的风险因子很多,如从人因子、从车因子、从属地因子和保单属性因子等,保险公司通常利用这些风险因子对个体风险进行分类,一方面作为车险定价的依据,另一方面也为部门沟通、业务选择和市场细分提供支持。因此,识别风险因子的重要性对提升整个车险业务质量有非常重要的意义。近年来机器学习算法在车险损失预测中的应用越来越多,但目前的研究主要考虑了损失预测的精度,对风险因子的重要性测度缺少系统深入的研究。为此,本文对8个车险数据集,利用两种集成学习方法(随机森林和XGBoost),比较了它们与广义线性回归模型在索赔频率风险因子重要性测度上的一致性。研究结果表明,这两种集成学习方法不仅能提高预测精度,还能提供较一致的风险因子重要性测度。(本文来源于《保险研究》期刊2019年10期）
集成学习论文开题报告
（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：
目前企业所面临的运维环境往往是复杂系统的整合,因此,对多种数据源进行有效综合分析和异常检测,做到故障规避、及时止损,是企业在数字化转型道路上的关键.本文在分析云环境异常检测特点的基础上,提出了一种基于深度置信网络集成学习的异常检测模型.该模型解决了运维数据集正负样本不平衡问题,同时利用深度置信网络良好的特征提取功能,对多源时序KPI数据进行有效降维,并结合逻辑回归和受限玻尔兹曼机实现了异常检测,单个弱分类器对异常的识别率在99%以上.将多个弱分类器进行多数投票集成,提高了模型整体的泛化性,使异常检测模型的平均准确率达到了98. 35%.
（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。
集成学习论文参考文献
[1].祁欣学,覃锡忠,贾振红,常春,樊树铭.基于田口集成学习的最佳交通流量预测模型[J].计算机工程与设计.2019
[2].连超,李华,刘亚,韩家茂,阮宏玮.一种基于DBN-LR集成学习的异常检测模型[J].小型微型计算机系统.2019
[3].王国薇,黄浩,周刚,胡英.集成学习在短文本分类中的应用研究[J].现代电子技术.2019
[4].刘树艺,李静,胡春,王伟.基于卷积神经网络与集成学习的交通标志识别[J].计算机与现代化.2019
[5].吴迎年,贺梦嘉,项伟.基于集成学习的人眼定位和头部状态检测研究[J].系统仿真学报.2019
[6].高欢,那日萨,杨凡.基于集成学习的在线评论情感倾向分析[J].情报科学.2019
[7].邱金鹏.基于集成学习的动态Web页面语义标注方法研究[J].科技通报.2019
[8].张玉玺,贺松,尤思梦.集成学习在糖尿病预测中的应用[J].智能计算机与应用.2019
[9].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
[10].张碧怡,肖宇谷,曾宇哲.车险定价中风险因子重要性测度的比较研究——基于集成学习方法和广义线性回归模型[J].保险研究.2019
论文知识图
