基于SVM和Adaboost的多分类算法研究

论文摘要

生活节奏的加快使得人们的睡眠健康和情绪处理出现了诸多问题,因此,睡眠分期和情感识别成为了当今科研工作者关注的热点之一。睡眠分期和情感识别可以作为辅助手段,为失眠、抑郁症、焦虑不安等精神疾病的诊断提供可靠地参考意见。大量的研究表明现有算法存在以下不足:1)经典分类算法多以二分类为主,当进行多类问题的研究时,需要进行多次二分类处理,时间复杂度高;2)经典分类算法分类准确率相对偏低,无法满足睡眠分期和情感识别等研究所要求的分类准确率;3)常见的经典算法大多只能解决二分类的问题,算法结构也需要改进。针对上述问题,论文设计并提出了两种多分类算法用于睡眠分期和情感识别的研究,解决了传统算法不能直接应用于多分类研究的问题。论文对算法的结构进行改进,使得算法的复杂度降低,同时提高了算法的分类准确率,在睡眠分期和情感识别的研究中取得了不错的成果。论文主要研究内容如下:(1)论文将决策树和最小二乘支持向量机(LSSVM)算法进行结合,提出了一种基于决策树和最小二乘支持向量机算法(DLSVM)。用LSSVM代替决策树中的叶子结点,可直接应用于多类问题的研究。DLSVM算法有以下优势:一方面可以减少干扰因素,将复杂的多分类问题逐渐分解为简单的二分类问题,提高分类算法的准确率;另一方面该算法将LSSVM分类器嵌入到决策树的根节点和中间节点,借助决策树算法的结构优势和分类器的二分类属性,构造出一种可以直接进行多分类的算法。(2)论文在Adaboost算法的基础上进行改进,提出了一种基于分层结构与Adaboost的多分类算法(HAdaboost)应用于多类问题的处理。HAdaboost算法可以根据数据的分类种数的不同自适应的调整算法的层数,每经过一层算法的迭代,就可以得出一种分类标记。在进入下一层算法时,已经标记的数据不参与下一层分类算法。因此,算法每经过一层算法迭代,数据的复杂度随之变低,降低了算法的时间复杂度,提高了算法的分类准确率。论文将上述算法应用于睡眠自动分期和情感识别的研究,取得了较好分类效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景与意义
•   1.2 研究内容及组织
•     1.2.1 论文研究内容
•     1.2.2 论文创新点
•     1.2.3 论文组织结构
• 第二章 睡眠分期和情感识别方法研究现状
•   2.1 睡眠自动分期方法
•     2.1.1 睡眠与脑电节律波
•     2.1.2 睡眠分期流程
•     2.1.3 小波变换
•     2.1.4 主成分分析（PCA）算法
•     2.1.5 研究现状
•   2.2 情感识别方法
•     2.2.1 情感识别简介
•     2.2.2 情感识别模型
•     2.2.3 研究现状
•   2.3 评价指标
•   2.4 数据集
•     2.4.1 睡眠分期数据集
•     2.4.2 情感识别数据集
•   2.5 本章小结
• 第三章 基于决策树和最小二乘支持向量机算法及应用
•   3.1 决策树
•   3.2 最小二乘支持向量机算法
•   3.3 基于决策树和最小二乘支持向量机算法
•   3.4 DLSVM算法应用与结果分析
•     3.4.1 睡眠自动分期实验结果与分析
•     3.4.2 情感识别实验结果与分析
•   3.5 本章小结
• 第四章 基于分层结构与Adaboost多分类算法及应用
•   4.1 Adaboost分类算法
•     4.1.1 Adaboost算法原理
•     4.1.2 Adaboost算法性能分析
•   4.2 基于分层结构与Adaboost的多分类算法
•   4.3 HAdaboost算法应用与结果分析
•     4.3.1 睡眠自动分期实验结果与分析
•     4.3.2 情感识别实验结果与分析
•   4.4 几种算法的比较
•   4.5 本章小结
• 第五章 总结与展望
•   5.1 总结
•   5.2 展望
• 参考文献
• 攻读硕士学位期间的主要成果
• 致谢

文章来源

类型: 硕士论文

作者: 张松

导师: 胡斌

关键词: 分层多类算法,最小二乘支持向量机,决策树,睡眠分期,情感识别

来源: 山东师范大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,自动化技术

单位: 山东师范大学

分类号: TP181;R318

总页数: 49

文件大小: 4011K

下载量: 744