导读:本文包含了多分类器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:特征,神经网络,滤波器,光谱,卷积,图像,多项式。
多分类器论文文献综述
邱云飞,王星苹,王春艳,孟令国[1]（2019）在《应用级联多分类器的高光谱图像分类》一文中研究指出目的高光谱分类任务中,由于波段数量较多,图像中存在包含噪声以及各类地物样本分布不均匀等问题,导致分类精度与训练效率不能平衡,在小样本上分类精度低。因此,提出一种基于级联多分类器的高光谱图像分类方法。方法首先采用主成分分析方法将高度相关的高维特征合成无关的低维特征,以加快Gabor滤波器提取纹理特征的速度;然后使用Gabor滤波器提取图像在各个尺寸、方向上的纹理信息,每一个滤波器会生成一张特征图,在特征图中以待分类样本为中心取一个d×d的邻域,计算该邻域内数据的均值和方差来作为待分类样本的空间信息,再将空间信息和光谱信息融合,以降低光线与噪声的影响;最后将谱—空联合特征输入级联多分类器中,得到预测样本关于类别的概率分布的平均值。结果实验采用Indian Pines、Pavia University和Salinas 3个数据集,与经典算法如支持向量机和卷积神经网络进行比较,并利用总体分类精度、平均分类精度和Kappa系数作为评价标准进行分析。本文方法总体分类精度在3个数据集上分别达到97. 24%、99. 57%和99. 46%,相对于基于径向基神经网络(RBF)核函数的支持向量机方法提高了13. 2%、4. 8%和5. 68%,相对于加入谱—空联合特征的RBFSVM(radial basis function-support vector machine)方法提高了2. 18%、0. 36%和0. 83%,相对于卷积神经网络方法提高了3. 27%、3. 2%和0. 3%; Kappa系数分别是0. 968 6、0. 994 3和0. 995 6,亦有提高。结论实验结果表明,本文方法应用于高光谱图像分类具有较优的分类效果,训练效率较高,无需依赖GPU,而且在小样本上也具有较高的分类精度。(本文来源于《中国图象图形学报》期刊2019年11期）
张慧,钱丽萍,汪立东,袁辰,张婷[2]（2019）在《基于CNN和多分类器的恶意URLs检测》一文中研究指出基于特征提取的恶意URLs的检测方法中,人工提取规则的设计依赖于丰富的专家知识以及大量的数据分析,同时规则的设计与更新需要消耗大量的人力与时间。针对以上问题,提出一种基于卷积神经网络的URLs特征自动提取方法。通过数据预处理与模型训练,实现对URLs特征的自动学习,完成提取规则的自动设计与更新。通过收敛的模型完成URLs特征的自动提取,结合J48、随机森林、支持向量机等多种分类方法对提取结果进行验证。实验结果表明,训练的模型可以自动设计和更新特征提取规则,提取的特征具有良好的区分能力及普适性。多分类器的平均准确率超过了97%,最高达到了99.2%,FPR低至0.01。(本文来源于《计算机工程与设计》期刊2019年10期）
李雪莹,范萍萍,刘岩,王茜,吕美蓉[3]（2019）在《多分类器融合提取土壤养分特征波长》一文中研究指出光谱已经应用于土壤养分速测的分析,但是如何寻找土壤光谱特征波段,尽最大可能避免无用信息干扰、保留有用信息,建立准确度高、预测效果好的模型仍是一个亟需解决的问题。以青岛叁个不同地区土壤样品为例,测定土壤样品的紫外-可见-近红外光谱及其总碳(TC)、总氮(TN)、总磷(TP)含量;分别采用连续投影算法(SPA)、无信息变量消除法(UVE)、遗传算法(GA)、相关系数法(CC)四种算法(四种单分类器)对土壤光谱提取特征波长;再引入投票法和加权投票法的多分类器融合方法将四种算法融合得到特征波长;以偏最小二乘回归(PLSR)建立各土壤养分含量的模型,通过对模型效果的评价标准(建模集绝对系数R■、校正均方根误差RMSEC、检验集绝对系数R■、预测均方根误差RMSEP和相对分析误差RPD值)来判别各单分类器算法和多分类器融合算法对土壤养分含量特征波长的提取效果。分别对四种算法、筛选其中叁种算法、最优二种算法进行融合,分析融合后模型效果和特征波长个数,结果表明:将四种单分类器经投票法融合后,其模型效果大部分不如单分类器,且相对好的模型特征波长个数较多;相较于投票法多分类器融合,四种单分类器经加权投票法融合模型效果有了一定的提高, TC和TN都能够在较少的波长中获得较好的预测效果,但仅TN经融合后,模型效果优于每个单分类器; TC, TN, TP分别在取SPA+UVE+GA, SPA+UVE+GA(或SPA+GA+CC)、 SPA+UVE+GA叁种单分类器进行加权投票法融合后,均能获得最优模型效果,且明显优于每个单分类器,模型效果有了显着提高;各土壤养分含量经两个最优单分类器加权投票法融合后,仍能得到好于最优单分类器的建模效果, TC和TP建模效果略差于叁个单分类器融合结果, TN建模效果与叁个单分类器融合结果相同。因此,在筛选叁种算法融合,且其中包含最优两种算法的情况下,能够以较少的特征波长个数获得明显高于单分类器的建模效果。该方法为寻找土壤养分以及其他复杂物质成分的光谱特征波段提供了新方法,也为多种算法的综合运用提供了新思路。(本文来源于《光谱学与光谱分析》期刊2019年09期）
张晓,王莉莉[4]（2019）在《基于多分类器融合的卫星图像舰船目标识别》一文中研究指出针对遥感图像中舰艇目标识别性能低的问题,提出了加权投票分类器融合方法。首先分析了舰艇的颜色特征与轮廓特征,然后利用SVM、BP神经网络和AdaBoost算法训练叁种单分类器,最后采用加权投票方式对单分类器进行融合。采用融合分类器进行舰艇目标识别实验分析,实验结果表明:在google卫星图像舰艇目标识别中,所提方法能够有效提升舰艇目标识别准确率,F-measure可以达到73.54%,相较于SVM提升了2.72%,相较于AdaBoost提升了3.53%,相较于BP神经网络提升了4.28%。(本文来源于《通信技术》期刊2019年09期）
何强,王学涛,李欣,甄鑫[5]（2019）在《基于多模态特征和多分类器融合的前列腺癌放疗中直肠并发症预测模型》一文中研究指出目的为了评估前列腺癌放疗中直肠并发症的预后,提出一种新型的基于多模态特征及多分类器融合的预测模型。方法本研究回顾性收集了44例接受外照射放疗的前列腺癌患者的临床数据,从中提取临床参数特征和剂量学特征两种不同模态特征,并利用筛选后的特征子集分别对五种基分类器(向量机、决策树、K近邻、随机森林和XGBoost)进行训练得到不同模态下的多个基分类器,然后采用一种新型的基于多准则决策的权重分配算法依次对同一模态下多个基分类器以及不同模态信息的模型进行融合,最终实现基于多模态特征及多分类器融合的预测模型。本研究采用五折交叉验证方法和ROC曲线下所围面积(AUC)、准确率、灵敏度和特异性四种评价指标来定量评价所提出的预测模型。此外,本研究还将所提出模型与不同特征选择方法、不同的权重分配算法、基于单模态单分类器的模型,以及两种使用其他融合方法的集成模型进行定量比较。结果五折交叉验证结果显示本研究所提出的模型的平均准确率、AUC、特异性、灵敏度分别为:0.78、0.83、0.79、0.76。结论与基于单模态单分类器的模型以及其他融合模型相比,本文所提出的基于多模态特征及多分类器融合的模型能更准确地预测前列腺癌放疗中的直肠并发症。(本文来源于《南方医科大学学报》期刊2019年08期）
李志强,蔡国印,杨柳忠,张宁,杜明义[6]（2019）在《一种基于多分类器的GF-2卫星影像分类方法》一文中研究指出以长春市部分GF-2影像为实验数据,探讨了贝叶斯、k-最邻近、支持向量机、分类回归树和随机森林5种不同分类器的分类结果及精度。由于单一分类器的局限性,设计了一种多分类器的组合方法。考虑到Hellden值能够综合评定用户精度和制图精度,选取各地类具有最高Hellden值的分类算法,构建组合分类器,其最终的分类精度优于任何单一分类器的分类结果,达到优化分类器以提升分类结果的目的。(本文来源于《测绘地理信息》期刊2019年04期）
姬晓飞,石宇辰[7]（2019）在《多分类器融合的光学遥感图像目标识别算法》一文中研究指出光学遥感图像的多目标检测与识别一直是图像处理与分析的热点研究问题。基于单一特征单一分类器的多目标光学遥感图像分类识别算法存在识别准确率不高的问题。对此,充分利用特征与识别方法之间的适应性,提出了一种多特征多分类器融合的光学遥感图像多目标识别算法。首先对光学遥感图像的分类目标提取2种具有平移、缩放不变性的特征表示:Hog特征和Zernike特征;其次分别用3种适应性较好的分类器(BP神经网络、支持向量机(SVM)、随机森林(RF))进行分类;最后在决策级分别融合两种特征、叁种分类器的概率输出,给出最终的分类结果。实验结果表明,该算法较大程度地提高了光学遥感图像多目标识别的准确性,对飞机、舰船、油罐、汽车四类多目标的识别取得了95.37%的正确识别率。(本文来源于《计算机技术与发展》期刊2019年11期）
王学贺,赵华[8]（2019）在《基于Word2vec和多分类器的影评情感分类方法》一文中研究指出针对影评数据的情感分析,提出基于Word2vec和多分类器的情感分类方法.首先在对评论数据进行预处理的基础上,训练Word2vec模型,将词表示为词向量;其次结合随机森林和朴素贝叶斯多项式模型完成影评数据的情感分类;最后在Kaggle竞赛公开的影评数据集上进行实验.结果表明,Word2vec可有效捕捉词的语义,显着提高情感分类算法的性能.(本文来源于《宁夏大学学报(自然科学版)》期刊2019年02期）
沈洋[9]（2019）在《支持向量机多分类器的研究与应用》一文中研究指出互联网就像是一个巨大的数据仓库,里面包含了文本、图像以及视频等各种类型的数据,这些数据由于来源的不同呈现出了异质与非结构化的特点。为了对这些数据进行有效的管理与存储,便于人们快速地从中找到有用的信息,数据挖掘作为一种解决方法迅速成为了一个研究热点。支持向量机是数据挖掘领域常用的一种机器学习算法,它凭借着有效防止过拟合的特性在分类领域得到了广泛应用。针对日常分类问题中常见的多分类问题,支持向量机产生了多种不同的组合式多分类算法,本文针对其中两种组合式多分类结构进行深入研究与分析,提出了两种改进的支持向量机多类分类算法,主要内容如下:DAGFSVM)算法。针对有向无环图多分类问题中经常会出现噪音点的情况,设定了一个模糊间隔函数,利用该模糊间隔函数来判断一个样本是否真实属于此类别,如果不是,就赋予比较低的模糊值,削弱其对于最终超平面的影响。另外,再设定一个分离度函数来衡量各个二类分类器的准度,将那些成功率高的放置到根节点旁边,从而尽量保证有向无环图结构的准确率。2、提出了一个基于模糊间隔的自适应二叉树支持向量机多分类(Binary Tree Support vector machines based on fuzzy interval,BTFSVM)算法。针对二叉树多分类问题中经常会出现误差累积的情况,首先设定一个类间距离函数来衡量类别之间的关系,将相近的类别聚在一起,从而使得数据依据自身的特性来构造偏二叉树或者近似完全二叉树,实现两种结构的自适应;另外,采用模糊间隔函数与辅助惩罚因子来有效的平衡二叉树层次结构分类中不均衡分布对于最终分类结果的不利影响,提升每个单体二分类器的性能,从而进一步提升整体模型的准确率。3、将本文提出的两种支持向量机多分类算法在不同的数据集上进行比较,总结出各自的优劣势;然后基于这两种算法的优劣势,构建一个简易的基金评级系统。基金评级系统的数据由爬虫从新浪的基金数据中心爬取,爬取的数据各特征之间通过标准化来消除取值范围对于精度的影响,然后依据本文提出的两种不同的多分类算法分别进行训练,得到快速以及精准两种不同的基金评价模型,最终再依据规模设定单一评价以及批量评价两个接口,从而对不同规模的基金数据实现简单的评级操作。(本文来源于《江南大学》期刊2019-06-01）
戴伟聪[10]（2019）在《基于多分类器融合的长期目标跟踪算法研究》一文中研究指出基于相关滤波器的目标跟踪算法是视觉分析领域中最火热的子方向之一,在安防、机器人、自动驾驶、智能交通等多个行业有着可观的前景和实用价值。但是受限于相关滤波器内在的边界效应、高风险的更新策略以及在线训练存在的稳定性-可塑性窘境,单一的相关滤波器在许多情况下都无法满足实际应用的需求。因此,本文重点研究通过多分类器融合的方式来解决相关滤波器的缺陷以实现在多种复杂情况下对目标的准确跟踪。标准的相关滤波器由于使用循环样本训练岭回归分类器产生了内在的边界效应。针对相关滤波器的边界效应,本文利用颜色直方图特征对变形与分辨率不敏感的优点,构建一个基于颜色直方图的贝叶斯分类器以准确跟踪低分辨率、快速变形等场景下的目标,并通过集成学习的方式在相关滤波器的基础上加权集成贝叶斯分类器,通过优势互补的方式缓解边界效应的负面影响。随后着眼于缺乏颜色信息的灰度视频序列,提出了一种基于局部敏感直方图的贝叶斯分类器。最后提出了一种高置信度更新策略以防止贝叶斯分类器与相关滤波器的模型学习腐坏样本而导致漂移。定量和定性的实验证明,本文所提出的解决方法均在不同程度上提升了跟踪算法的性能。现有的相关滤波器与贝叶斯分类器因为在线更新而存在的稳定性-可塑性窘境以及为快速适应目标的变化而使用的高风险更新策略,导致目标遭遇严重遮挡与移出视野等跟踪场景后,跟踪模型将快速漂移。针对在线分类器的高风险更新策略,本文根据在线分类器的响应峰值与其历史均值的关系,通过提升优质样本的权重,降低劣质样本的权重来提高分类器的性能,提出一个随样本质量自适应调整的学习率模型。最后为解决在线更新存在的稳定性-可塑性窘境,本文通过将基础跟踪算法与在线软间隔支持向量机共同组成重检测模块提出了一种辅助重检测方法。经过大量的实验验证,本文所提出的基于多分类器融合的长期目标跟踪算法在目标遭遇快速运动、严重遮挡、移出视野等情况时,均能可靠准确地跟踪目标。(本文来源于《中国科学院大学(中国科学院长春光学精密机械与物理研究所)》期刊2019-06-01）
多分类器论文开题报告
（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：
基于特征提取的恶意URLs的检测方法中,人工提取规则的设计依赖于丰富的专家知识以及大量的数据分析,同时规则的设计与更新需要消耗大量的人力与时间。针对以上问题,提出一种基于卷积神经网络的URLs特征自动提取方法。通过数据预处理与模型训练,实现对URLs特征的自动学习,完成提取规则的自动设计与更新。通过收敛的模型完成URLs特征的自动提取,结合J48、随机森林、支持向量机等多种分类方法对提取结果进行验证。实验结果表明,训练的模型可以自动设计和更新特征提取规则,提取的特征具有良好的区分能力及普适性。多分类器的平均准确率超过了97%,最高达到了99.2%,FPR低至0.01。
（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。
多分类器论文参考文献
[1].邱云飞,王星苹,王春艳,孟令国.应用级联多分类器的高光谱图像分类[J].中国图象图形学报.2019
[2].张慧,钱丽萍,汪立东,袁辰,张婷.基于CNN和多分类器的恶意URLs检测[J].计算机工程与设计.2019
[3].李雪莹,范萍萍,刘岩,王茜,吕美蓉.多分类器融合提取土壤养分特征波长[J].光谱学与光谱分析.2019
[4].张晓,王莉莉.基于多分类器融合的卫星图像舰船目标识别[J].通信技术.2019
[5].何强,王学涛,李欣,甄鑫.基于多模态特征和多分类器融合的前列腺癌放疗中直肠并发症预测模型[J].南方医科大学学报.2019
[6].李志强,蔡国印,杨柳忠,张宁,杜明义.一种基于多分类器的GF-2卫星影像分类方法[J].测绘地理信息.2019
[7].姬晓飞,石宇辰.多分类器融合的光学遥感图像目标识别算法[J].计算机技术与发展.2019
[8].王学贺,赵华.基于Word2vec和多分类器的影评情感分类方法[J].宁夏大学学报(自然科学版).2019
[9].沈洋.支持向量机多分类器的研究与应用[D].江南大学.2019
[10].戴伟聪.基于多分类器融合的长期目标跟踪算法研究[D].中国科学院大学(中国科学院长春光学精密机械与物理研究所).2019
论文知识图
