导读:本文包含了分类器融合系统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,本体,分类法,系统,向量,决策层,轮毂。
分类器融合系统论文文献综述
张猛[1]（2018）在《基于多维度特征融合和GBDT增强分类的列车制动系统故障诊断》一文中研究指出随着铁路货运能力的逐步提高,制动系统作为保障重载组合列车安全运行的核心部件,保障其正常运行至关重要。由于制动系统是一个结构复杂、模式多变的多层次混合系统,其故障并发的现象时常发生。因此,如何准确、高效、快捷的诊断出制动系统的故障是保障列车安全运行的关键问题。目前,针对制动系统的故障诊断方法忽略了制动系统数据的时序性特点,导致其并没有充分挖掘出故障模式的时序波动因子和参数耦合因子,因此在很多场景中,只能粗略判断故障的范围而不能对其进行准确定位,严重降低了故障诊断的效率和精度。鉴于此,本文提出了一种基于多维度特征融合与GBDT增强分类的制动系统故障诊断算法MFF-GBFD,本文的主要工作及研究成果如下:(1)对制动系统的常见故障进行多元时间序列建模,深入挖掘制动系统的常见故障模式,并从时域、频域、小波包分解、相关性共四种维度提取出常见故障的特征,从而构建出制动系统故障模式的初始特征集。(2)对初始故障特征进行特征的筛选与融合,首先利用ReliefF对每个初始特征的学习贡献率进行打分并排序,从中筛选出故障诊断的重要特征,然后通过KPCA对重要特征集进行相关性去重和主成分提取,得到最终融合后的最优特征子集。(3)基于制动系统故障的多维度融合特征,训练一个梯度提升决策树(GBDT)模型,并通过超参数的迭代优化,得到制动系统故障诊断模型的最优模型。(4)以本文提出的故障诊断算法作为诊断模型,结合Baidu Map API及web开发相关技术,设计和实现了列车制动系统的故障诊断原型系统。本文在朔黄铁路公司提供的制动系统真实数据集上进行了实验,实验结果表明,本文提出的MFF-GBFD算法可以对制动系统故障进行有效地诊断,通过MFF-GBFD算法与SVM、RF等常见算法的对比,在故障检测效率和识别准确率上都具有明显的性能优势。此外,以MFF-GBFD为后台引擎设计的web示范应用原型系统,进一步表明其具有实际的意义和应用价值。(本文来源于《北京交通大学》期刊2018-06-05）
王一大[2]（2017）在《融合堆迭降噪自编码器的情感分类系统的设计与实现》一文中研究指出随着社交媒体的迅猛发展,人们逐渐通过微博等平台在网上发表评论,这些评论褒贬不一。为实现评论内容情感倾向的自动分析,产生了情感分析这一研究领域,并成为机器学习领域中的研究热点,同时衍生出的情感分类也对于传统评论系统行业带来很大影响。传统情感分类方法主要依靠人工标注及情感词典,然而网络微博信息量庞大,进行人工标注费时、费力。因此,本文首先借助深度学习模型对微博数据进行特征提取,再完成情感分类操作。主要工作内容如下:第一,设计并实现了一个融合深度学习的情感分类系统。首先借助IKAnalyzer2012对微博数据进行中文分词并去除停用词,使用TFIDF和卡方检验方法粗略抽取特征信息,借助word2vec对词语扩充并生成词向量,完成数据预处理工作。为获取更加丰富的特征向量,提出使用堆迭降噪自编码器提取微博数据特征,再运用Softmax分类器进行分类操作。堆迭降噪自编码器属于深度学习模型,具备较好的特征表达能力。为验证深层学习模型与浅层学习模型的区别,设计了将预处理后的词向量输入融合深度学习模型的浅层分类器及未融合深度学习模型的浅层分类器的对比实验,与未融合深度学习模型的浅层分类器相比,准确率得到有效提高。第二,针对微博口语化现象导致数据噪声较多且较稀疏的问题,提出了一种融合稀疏因子的堆迭降噪自编码器模型。通过在堆迭降噪自编码器各隐藏层中添加稀疏因子,使抽取出的特征能更好地保持输入数据的结构特征,从而提高模型的泛化能力。通过实验发现分类准确率较之前提高5%,同时在实验中发现稀疏因子对象选取的不同也会影响最终分类结果,通过实验对不同稀疏因子对象加以对比。第叁,为提高融合稀疏因子的堆迭降噪自编码器的训练效率,设计并实现了一个面向计算机集群的基于分布式内存的并行计算方法,从而使得系统的训练时间开销大大降低。(本文来源于《北京工业大学》期刊2017-05-01）
韩卫[3]（2016）在《基于多特征融合的汽车轮毂识别与分类系统设计》一文中研究指出随着“中国制造2025”概念被人们渐渐熟知,机器视觉产业发展迅猛。机器视觉具有非接触、效率高、易操作、稳定性好、精度高等特点,被广泛应用于车牌、二维码识别,工业产品检测分类,运动物体跟踪等柔性自动化领域。本文来源于企业合作开发项目,主要为解决人工识别过程存在的分类效率低,自动化程度不高的问题,搭建的一套基于多特征融合的汽车轮毂识别与分类硬件平台和软件系统。主要研究步骤如下：首先对研究对象和系统功能进行分析,列出技术指标,接着制定系统整体解决方案,包括硬件解决方案、软件解决方案。完成光源、暗箱、工控机、PLC、工业相机、镜头等器件的选型与暗箱系统的搭建,为了减少光线的变化对于图像采集效果的影响,暗箱内部增加了基于光线强度的亮度补偿系统。软件算法部分主要包括图像预处理、特征提取、分类判断叁个步骤,首先对获得的检测图像进行灰度化,直方图均衡,双边滤波,二值化等图像预处理操作,为了将轮毂和背景分离,本方案提出了基于轮廓的背景去除方法,取得了很好的实验效果。运用图像形态学操作,使得轮毂的轮廓更加鲜明。Canny边缘检测算子,提取轮毂边缘信息,并用弗雷曼编码法,对边缘轮廓上的像素点进行搜索,最小二乘法拟合。提取了轮毂的直径、辐轴个数、辐条种类、轮毂中到上边沿的距离、轮毂中到上下边沿的距离、孔洞面积比、Hu矩等特征。分类器进行设计,首先对特征数据进行归一化,用欧氏距离的方法进行特征识别,最后根据软件设计原则,设计的本项目的人机交互界面,并介绍了使用步骤。系统验证,本文作者在现场进行了长达一个月的联调。目前本系统已经成功入库并识别了80多种不同类型的轮毂,识别准确率高达96%以上,误判率几乎为零,取得了比较好的分类效果,满足了视觉检测工业现场检测的要求。(本文来源于《南京信息工程大学》期刊2016-06-01）
白华[4]（2016）在《大众分类本体与知识组织系统融合研究》一文中研究指出大众分类本体以模型构建结构和语义,根据用户标记活动建立"轻量本体",它在基本框架、语义特征上与当前的数据集成环境存在矛盾。文章提出在大众分类本体的条件下改进大众分类本体建构的新方法,即把大众分类本体和一般概念本体结合起来,建立一个适应大数据环境的新本体。这个本体以浮出语义方法和用户标签为依据,通过词语的语义处理形成概念本体,然后把用户标签集成到概念本体中,构造一个以概念为中心的集成本体。这个本体既有大众分类的特征,又有知识框架的特征,具有良好的语义功能和结构功能,从而成为整合个人标签和知识框架及语义信息组织中较好的方法。(本文来源于《图书馆学研究》期刊2016年10期）
刘文龙,时镇军[5]（2015）在《基于多分类器融合的垃圾短信处理系统》一文中研究指出本文提出了利用朴素贝叶斯、社交网络SNS和广告主挖掘多个分类器融合的垃圾短信处理方式,系统基于Hadoop处理平台,从用户发送内容和发送行为两个维度着手堆垃圾短信识别,可以大幅度提升目前垃圾短信治理的召回率和准确率。(本文来源于《电信工程技术与标准化》期刊2015年12期）
王德鲁,郑建萍,马刚[6]（2015）在《基于多分类器融合的上市公司产品伤害事件风险预警系统》一文中研究指出从事件初始特征、企业应急决策风险、公众过激行为风险和企业经营系统适应性等4个维度构建了企业产品伤害风险预警指标体系,运用模糊聚类分析法将事件风险水平划分为4个级,并针对现有预警方法的不足之处,提出了一种基于多分类器融合的产品伤害事件风险预警模型。实证研究表明,相较于目前广泛采用的Logti回归、支持向量机、神经网络等单分类器模型,该模型具有更高的预测精度和稳定性。(本文来源于《情报杂志》期刊2015年09期）
王成,郭飞,郑黎晓,赖雄鸣[7]（2015）在《改进D-S证据理论的多分类器决策层融合系统》一文中研究指出针对传统D-S证据理论中基于识别率和误识率构造的基本概率赋值函数(Basic Probability Assignment,BPA)没有考虑训练样本分布的缺点,提出了一种将整体错误率分配给除了正确判别命题以外各个焦元的BPA构造新方法.针对传统D-S证据理论中所采用的基于正交和运算的合成规则不能融合矛盾证据的缺陷,提出一种能融合矛盾证据的大概率赋值法.在此改进D-S证据理论的基础上,给出了两分类器决策层融合流程和多分类器决策层融合系统.在ORL和Yale数据库上的实验结果表明,对几种典型分类器的决策层融合提高了系统人脸识别的正确率,且改进D-S证据理论比传统D-S和投票融合方法的正确率更高.(本文来源于《小型微型计算机系统》期刊2015年05期）
张华,叶娜,周俏丽,蔡东风[8]（2015）在《基于分类策略的术语识别系统融合》一文中研究指出近年来,基于机器学习方法的术语识别取得了不错的效果.然而,不同系统往往由于采用不同的学习方法或特征集而各有特点,他们在统计意义上性能接近的同时,在具体表现上却存在差异,那么,如何融合各个系统的不同特点和差异以求进一步提升术语识别的效果变得很有价值.针对该问题并结合这些系统自身的特点,提出一种基于分类策略的术语识别系统融合方法.该方法将融合问题看作一个二分类问题,同时,在分类器的设计过程中更加灵活和更多地整合了上下文信息和依存句法信息.在中文术语识别实验中的结果验证了该方法的有效性,融合后的结果好于每一个单系统.(本文来源于《小型微型计算机系统》期刊2015年02期）
石强[9]（2014）在《基于混合智能系统的遥感影像融合分类》一文中研究指出随着航空航天技术以及传感器技术的发展,人们可以获得多平台、多类型的遥感影像数据,从多尺度效应、几何形状特性、纹理分布特性、多／高光谱特性、红外辐射特性、后向散射特性等多方面多角度地对同一地物进行认知,为尽可能的提高判决决策的准确性与可靠性提供了良好的机遇。然而,由于分类识别过程中一系列因素的影响,会严重降低决策的准确性和可靠性：1)传感器辐射定标的误差、大气条件的不稳定以及地表环境的复杂性等因素影响,会导致最终获取的影像数据中存在自身的粗糙性以及分类信息的模糊性,进而严重影响了决策精度；2)由于噪声的影响,特征之间以及特征与决策之间依赖关系会发生改变,分类精度也随之会改变,例如,如果特征和决策之间相关性越大,那么特征中包含的噪声对其的影响也就越大；3)来自多源遥感影像的高维特征中很有可能包含着冗余特征,这不仅增加了计算的代价,而且影响分类器判决；4)产生式分类模型以及判决式分类模型并没有充分利用特征之间的关系,而在分类识别的决策中,只有充分的利用多源遥感影像特征之间的依赖关系,建立合理的分类模型,才能够进行有效的判决识别。上述这些因素为遥感影像融合决策的发展带来了挑战。现有的多源遥感影像处理方法,大多停留在像素级融合。然而多源遥感影像之间成像的机理性差异,导致影像之间的像素级融合存在根本性的困难；另外,像素级融合的最终结果是将两幅影像迭加,从而突显某些特定的地物目标,这有利于人工判读,然而其对于自动分类识别意义并不突出,难以提高自动分类识别的效率。而特征层和决策层的融合算法中,具体的方法仅仅从某些特性的应用出发,仅仅能解决某方面的问题；而针对遥感影像融合的复杂性问题,包括多类不确定处理、有效特征选择、分类识别模型等,一种方法不足以很好的解决这些复杂性问题。针对影像配准、属性函数估计、多类不确定性条件下的特征选择以及分类决策建模等遥感影像融合决策中的一系列复杂的难题,本文以模糊理论和粗糙集理论为基础,构建了高斯模糊粗糙集模型和直觉模糊粗糙集模型,结合粒子群优化算法、遗传算法、蚁群算法以及贝叶斯网络模型等,建立混合智能系统,形成属性函数估计的混合智能算法、基于高斯模糊粗糙集的混合智能特征选择算法、基于直觉模糊粗糙集的混合智能特征选择算法以及基于贝叶斯网络的混合智能决策算法,实现遥感影像的智能融合决策。本文的主要研究工作可以具体概括如下：1)充分的利用影像中的结构特征,构建了复杂条件下稳健的影像配准算法。针对遥感影像之间存在着的灰度变化以及重复特征等影响配准的难题,本文深入研究形状上下文特征及其改进方法,将其与点特征描述符结合,构建混合特征描述符,能够保证在初始匹配中能够获得稳健的匹配点对；详细研究了基于图形变换匹配(GTM)的特征匹配算法,这种基于点邻域变换不变性的假设,能够保证有效的去除误匹配点。实验表明,在配准的过程中充分的利用结构信息,能够在复杂条件下有效提高配准精度。2)建立了混合智能的属性函数估计方法。论文从模糊集合与高斯核函数的联系出发,定义了模糊概率,建立了模糊条件下的对称不确定性,以此对高斯函数进行评价,并有机的结合数据驱动与智能优化的参数估计方法,形成了混合智能核参数估计方法,该方法能有效的计算出优化的参数,能有效提高分类器的分类性能。3)构建了基于高斯模糊粗糙集的特征选择方法。为了解决数据粗糙性、分类模糊性、特征冗余性、包含噪声等多类不确定条件下的特征选择问题,本文首先利用高斯核函数充分挖掘数据之间的模糊关系,建立具有Tcos传递性的模糊等价关系,构建高斯模糊粗糙集模型；其次充分的考虑冗余性对选择特征子集的影响,同时考虑特征与类别相关性和特征之间冗余性,构建特征评价准则；最终实现多类不确定条件的特征选择,实验证明,该方法能够针对特定分类任务,在保证分类精度的条件下,选择出特征数较少的特征子集。4)提出了基于直觉模糊粗糙集的特征选择方法。为了更全面的对多类不确定建模,本文将高斯模糊关系扩展到具有max-min传递性的直觉模糊等价关系,进而将模糊粗糙集扩展到直觉模糊粗糙集；同时充分考虑分类类别信息,基于决策依赖相关性(Decision Dependence Correlation, DDC)和决策依赖独立性(Decision Independence Correlation, DIC)方法,提出了顾及冗余性及相关性的新特征评价方法；最后在混合智能优化的框架下,实现多类不确定条件下的针对特定分类任务的特征选择。5)形成了基于贝叶斯网络的混合智能决策方法。为了解决这些问题,包括特征维数高、数据粗糙性、分类模糊性、冗余特征等对分类精度及效率的影响,同时充分的利用特征之间的相关性并对其准确建模,本文详细分析了基于贝叶斯网络模型的分类器在网络结构学习和参数学习等方面存在的问题,将直觉模糊粗糙集与贝叶斯网络分类器结合,构建选择性扩展贝叶斯网络分类器模型,并利用SVM后验概率方法估计贝叶斯网络参数,使其能够适用于连续变量,实现高效准确的分类决策。总而言之,本文首先解决了复杂条件下影像配准以及分类识别中属性函数估计等影像融合决策的预处理问题；其次,再针对多类不确定性条件下的高维特征选择问题,从多类不确定性建模、属性特征评价以及智能优化算法等多方面进行细致的研究,建立了多类不确定性条件下的混合智能特征选择方法；最后,本文针对分类建模问题,建立了选择性扩展贝叶斯网络分类器,在提高分类决策精度的同时也提高了计算效率。本文的研究工作涵盖了遥感影像融合的基本过程,能够科学分析多源特征之间的冗余性相关性,可以针对具体分类任务选择出有效的特征子集,并能够对特征相关性建模,提高分类决策的精度,为影像融合决策提供了较好的借鉴。(本文来源于《武汉大学》期刊2014-04-01）
刘长江,杨添钧,艾莉,张轶,杨丹[10]（2013）在《多传感器信息融合在药材分类系统中的应用》一文中研究指出针对传统药材分类技术中存在的速度慢、效率低、易受人为因素影响等缺陷,设计出一个基于多传感器信息融合的药材分类系统,完成药材成品的分类和评级。该系统利用图像传感器、气体传感器、味道传感器对药材特征进行量化,提取高维特征向量,通过支持向量机(SVM)训练学习,建立特征数据库,实现对药材的分类和评级。该药材分类系统集图像采集、特征提取、特征分析、模型训练和药材分类等功能于一体,实验结果表明,系统能够区分不同类别的药材,并能对同一类药材进行等级的确定。(本文来源于《四川大学学报(工程科学版)》期刊2013年S1期）
分类器融合系统论文开题报告
（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：
随着社交媒体的迅猛发展,人们逐渐通过微博等平台在网上发表评论,这些评论褒贬不一。为实现评论内容情感倾向的自动分析,产生了情感分析这一研究领域,并成为机器学习领域中的研究热点,同时衍生出的情感分类也对于传统评论系统行业带来很大影响。传统情感分类方法主要依靠人工标注及情感词典,然而网络微博信息量庞大,进行人工标注费时、费力。因此,本文首先借助深度学习模型对微博数据进行特征提取,再完成情感分类操作。主要工作内容如下:第一,设计并实现了一个融合深度学习的情感分类系统。首先借助IKAnalyzer2012对微博数据进行中文分词并去除停用词,使用TFIDF和卡方检验方法粗略抽取特征信息,借助word2vec对词语扩充并生成词向量,完成数据预处理工作。为获取更加丰富的特征向量,提出使用堆迭降噪自编码器提取微博数据特征,再运用Softmax分类器进行分类操作。堆迭降噪自编码器属于深度学习模型,具备较好的特征表达能力。为验证深层学习模型与浅层学习模型的区别,设计了将预处理后的词向量输入融合深度学习模型的浅层分类器及未融合深度学习模型的浅层分类器的对比实验,与未融合深度学习模型的浅层分类器相比,准确率得到有效提高。第二,针对微博口语化现象导致数据噪声较多且较稀疏的问题,提出了一种融合稀疏因子的堆迭降噪自编码器模型。通过在堆迭降噪自编码器各隐藏层中添加稀疏因子,使抽取出的特征能更好地保持输入数据的结构特征,从而提高模型的泛化能力。通过实验发现分类准确率较之前提高5%,同时在实验中发现稀疏因子对象选取的不同也会影响最终分类结果,通过实验对不同稀疏因子对象加以对比。第叁,为提高融合稀疏因子的堆迭降噪自编码器的训练效率,设计并实现了一个面向计算机集群的基于分布式内存的并行计算方法,从而使得系统的训练时间开销大大降低。
（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。
分类器融合系统论文参考文献
[1].张猛.基于多维度特征融合和GBDT增强分类的列车制动系统故障诊断[D].北京交通大学.2018
[2].王一大.融合堆迭降噪自编码器的情感分类系统的设计与实现[D].北京工业大学.2017
[3].韩卫.基于多特征融合的汽车轮毂识别与分类系统设计[D].南京信息工程大学.2016
[4].白华.大众分类本体与知识组织系统融合研究[J].图书馆学研究.2016
[5].刘文龙,时镇军.基于多分类器融合的垃圾短信处理系统[J].电信工程技术与标准化.2015
[6].王德鲁,郑建萍,马刚.基于多分类器融合的上市公司产品伤害事件风险预警系统[J].情报杂志.2015
[7].王成,郭飞,郑黎晓,赖雄鸣.改进D-S证据理论的多分类器决策层融合系统[J].小型微型计算机系统.2015
[8].张华,叶娜,周俏丽,蔡东风.基于分类策略的术语识别系统融合[J].小型微型计算机系统.2015
[9].石强.基于混合智能系统的遥感影像融合分类[D].武汉大学.2014
[10].刘长江,杨添钧,艾莉,张轶,杨丹.多传感器信息融合在药材分类系统中的应用[J].四川大学学报(工程科学版).2013
论文知识图
