摘要：针对非平衡数据分类问题,提出了一种基于差异采样率的重采样算法(differentiated sampling rate algorithm,DSRA),基于DSRA设计了一种新的集成分类器(SVM-Ripper ensemble classifier,SREC)。SREC采用独特的分类器选择策略、分类器集成策略、分类决策方案,可获得较高的分类精度。同时,利用SREC对影响非平衡数据分类的关键问题进行了研究。结果表明,非平衡数据分类问题本质上是由正负样本类间非平衡、类内非平衡、样本规模以及样本非平衡度等诸多因素引起的,只有综合考虑这些因素才能更好地解决非平衡数据分类问题。

摘要：在计算机辅助诊断系统中使用集成分类器是提高机器识别能力的一种重要途径。针对集成分类器投票组合算法中存在的投票可信度问题,提出了一种基于Grading的集成分类器组合算法EGR,该算法根据集成分类器对样本的预测结果是否正确来转换相应样本的类标签,用新数据构造元分类器。在UCI医学数据集上进行的实验结果显示,EGR算法对分类精度的提升以及敏感性与特异性的整体改善是有效的。

摘要：脑卒中患者意识障碍的检查和检测耗时耗力且非连续,采集脑卒中患者的脑电信号,以研究有意识障碍与无意识障碍的脑卒中患者的自动分类。对脑卒中患者的脑电图提取多达9种定量脑电特征,构建脑网络,将这些脑网络的连通性特征输入到分类器中,实现对脑卒中患者是否有意识障碍的分类。为解决非平衡数据集分类时严重偏向多数类的问题,设计集成支持向量机分类器。实验结果显示基于现有分类器的脑卒中意识障碍的分类正确率在70%左右,敏感度在40%以下;而基于集成支持向量机分类器的分类准确性可达96.79%,同时敏感度和特异性分别为95.45%和100%。实验结果表明集成支持向量机分类器对非平衡数据集的脑电分类准确率显著提升,并促进脑卒中患者意识障碍的自动识别。

摘要：为提高脱机满文手写字体的识别率,提出了基于BP网络的多特征集成分类器识别方法。对扫描成图像的手写满文进行预处理,切分出满文字元;分别提取满文字元的投影特征、链码特征以及端点和交叉点特征,并对这三类特征及其相互组合进行分类识别;通过隐马尔科夫算法对识别结果进行后处理,进一步提高识别的精度。实验结果表明,集成分类器的识别率要比单个特征的识别率要高,同时集成分类器中的特征类别越多,识别效果越好。

摘要：目的针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法。方法该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果。第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测。第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值。根据2个分类器的性能进行算法集成,构成最终集成分类器。结果实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97%以上。结论集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性。该方法取得了卓越的分类效果,具有较高应用性。

摘要：对于现实的复杂网络而言,有连边的节点对数目通常远小于无连边的节点对数目,在链路预测时,不同类别的样本数量不平衡会导致预测的分类结果与真实情况有较大的偏差。针对此问题,提出更优的链路预测算法,先对网络拓扑信息进行特征提取,再设计出一种集成分类器对数据样本进行平衡处理;然后基于网络的拓扑信息改进了分类器的集成规则;最后将训练出的集成分类器同现有的四个针对不平衡分类的链路预测学习算法进行对比研究。通过对四个不同规模的时序网络进行链路预测,结果表明,本链路预测学习算法具有更高的召回率,同时也保证了预测结果的准确性,从而更好地解决了链路预测中因类别不平衡导致的误分类问题。

摘要：针对肿瘤基因表达谱样本少、维数高的特点,提出一种用于肿瘤信息基因提取和亚型识别的集成分类器算法。该算法根据基因的Fisher比率值建立候选子集,再采用相关系数和互信息两种度量方法,分别构造反映基因共表达行为和调控关系的特征子集。粒子群优化算法分别与SVM和KNN构成两个基分类器,从候选子集中提取信息基因并对肿瘤亚型进行分类,最后利用绝对多数投票方法对基分类器的结果进行整合。***肺癌亚型识别的实验结果表明了该算法的可行性和有效性。

摘要：为解决传统网络异常流量特征选择方法存在的准确率与效率较低问题,提出一种基于集成分类器的网络异常流量特征选择模型设计方法。仿真实验中以误报率、阳性似然比、约登指数等作为评估指数指标,结果表明所提出的模型设计方法的各个指标数值均优于传统方法,证明该方法的计算速度较快、准确度较高。

摘要：特征选择有助于增强集成分类器成员间的随机差异性,从而提高泛化精度。研究了随机子空间法(Random Subspace)和旋转森林法(Rotation Forest)两种基于特征选择的集成分类器构造算法,分析讨论了两算法特征选择的方式与随机差异程度之间的关系。通过对UCI数据集引入噪声,比较两者在噪声环境下的分类精度。实验结果表明:当噪声增加及特征关联度下降时,基本学习算法及噪声程度对集成效果均有影响,当噪声增强到一定程度后,集成效果和单分类器的性能趋于一致。

摘要：本文介绍了多种分类器的集成技术该技术把以往试图寻找一种性能优良的分类器的问题转化成设计多个性能较优的分类器，且将以往高维特征空间的判分问题转化为针对不同低维空间进行划分的问题本文结合景物图像中文字目标的识别问题提出多级混合集成方案（Hier-archicalHybridIntegrateMethod）。