导读:本文包含了多分类器协同论文开题报告文献综述、选题提纲参考文献，主要关键词:向量,算法,卷积,图像,数据,组合,孔径。
多分类器协同论文文献综述写法
王鉴航,张广宇,李艳[1]（2019）在《基于协同编码分类器的SAR目标识别方法》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition,ATR)是SAR图像解译的关键技术之一。本文提出了基于协同编码分类器的SAR目标识别方法。协同编码采用所有类别训练样本构建的全局字典最优重构测试样本,并根据各类别的重构误差判定目标类别。相比稀疏表示的方法,协同编码的策略可以提升少量训练样本对于测试样本的表示能力。针对SAR目标识别,训练样本的资源十分有限。因此,协同编码表示更为适用。采用MSTAR十类目标数据集在多种条件下进行了目标识别实验并与其它分类器进行了对比。实验结果表明,本文方法在标准操作条件、型号变化、俯仰角变化以及少量训练样本等条件下均可以觉得优越的识别性能,证明了其有效性。(本文来源于《中国电子科学研究院学报》期刊2019年03期）
陈文,张恩阳,赵勇[2]（2016）在《基于多分类器协同学习的卷积神经网络训练算法》一文中研究指出卷积神经网络(CNN)是一类重要的深度神经网络,然而其训练过程需要大量的已标记样本,从而限制了其实际应用。针对这一问题,分析了CNN分类器的协同学习过程,给出了基于迭代进化的分类器协同训练算法CAMC。该算法结合了CNN和多分类器协同训练的优势,首先采用不同的卷积核提取出多种样本特征以产生不同的CNN分类器;然后利用少量的已标记样本和大量的未标记样本对多个分类器进行协同训练,以持续提高分类性能。在人脸表情标准数据集上的实验结果表明,相对于传统的表情特征识别法LBP和Gabor,CAMC能够在分类过程中利用未标记样本持续实现性能提升,从而具有更高的分类准确率。(本文来源于《计算机科学》期刊2016年09期）
姜俊[3]（2016）在《自发式多分类脑机协同控制方法研究》一文中研究指出脑机接口(brain-computer interface,BCI)是一种不依赖外周神经与肌肉,利用大脑思维直接与外界进行通讯和控制的新型人机交互技术。基于运动想象(motor imagery,MI)的自发式BCI是该领域中的重要研究分支之一,具有响应速度快、自主性高等优点,常被用于各类康复助残设备的在线控制。受脑电信号(electroencephalography,EEG)空间分辨率低的限制,目前BCI可识别的MI任务类别有限,相比于其它类型的BCI范式输出指令数目较少,难以实现对外部设备的多自由度控制。针对上述问题,本文提出了一种基于序列编码方法的多分类MI-BCI设计方法,并将其应用于机器人、机械手臂以及轮椅的实际控制,提高了MI-BCI范式在多自由度控制场合中操控性能。本文的主要研究工作如下:基于序列编码的多分类MI-BCI设计方法研究。为了提高MI-BCI的输出指令数目,我们提出了一种序列编码多分类BCI设计方法。该方法采用类似于摩斯电码的设计原理,需要被试按照规定的编码序列执行左/右手MI任务或保持空闲状态,实现新的序列MI任务。序列MI任务的不同编码方式将映射成最终的输出指令。利用上述方法,长度为N的序列MI任务可以编码实现2×(2N-1)个不同的输出指令。本文采用长度为2的序列MI任务实现了6分类MI-BCI范式,并选取4名健康被试进行实验,验证序列编码设计方法的有效性。实验结果表明基于序列编码的6分类MI-BCI的平均分类准确率达到了89.4%,远远超过了随机选择概率16.7%。同时,系统的卡帕系数和通量分别达到了0.88±0.060和23.5bpm,高于目前多数MI-BCI范式的通讯速率。上述实验结果证实了本文所提出的方法不但有效地提高了BCI系统的输出指令数目,而且能保持较高的分类准确率。基于序列编码MI-BCI范式的机器人控制技术研究。为了验证基于序列编码MI-BCI范式的可用性,我们将其应用于真实对象的实际控制中。首先,我们利用单分类MI任务进行长度为2的序列编码,设计了2分类序列MI-BCI范式,并且成功实现了对真实机器人前进/停止、左/右转弯等运动功能控制。4名被试参与了本实验,其中2分类序列MI任务的平均在线分类准确率为90.4%,平均响应时间为5.0秒。在机器人行走控制实验中,4名被试完成一次从初始位置到目标位置的行走任务平均花费139.4秒,输出的控制指令数平均为11.9个。随后,我们将左/右手2类MI任务进行长度为2的序列编码,设计了6分类BCI范式,实现了对真实叁关节机械手臂的在线控制,并能够成功完成物体抓取任务。4名被试平均花费39.1秒完成一次物体抓取任务,需要平均输出6.1个控制指令。实验结果表明我们提出的序列编码多分类BCI设计方法具有较好的适用性,能够有效实现对真实外部设备的多自由运动控制。序列MI任务的异步检测与脑控轮椅控制方法研究。为了提高BCI范式的异步操控性能,本文提出了一种异步序列MI任务设计与检测方法,并以此为基础实现了4分类异步BCI范式,用于对真实智能轮椅的实际控制。在异步检测算法中,BCI利用模板匹配算法识别被试MI任务的开始、停止以及转换状态,实现对序列MI任务的异步检测。利用这一方法,被试可以不受系统提示信息的约束,自主决定序列MI任务的执行过程,实现对外部设备的异步控制。4名被试参加了本实验,在线仿真实验中,4类序列MI任务的平均正确检出率达到了90.7%。随后,我们将所设计的BCI范式应用于智能轮椅控制之中,验证异步序列编码设计方法在实际控制中的可行性和有效性。实验中,全部被试都能够控制轮椅执行前进/停止,左/右转弯和加速减速这6项功能,并在安置有障碍物的室内环境中顺利完成所规定的控制任务。实验结果表明异步序列MI设计方法在提高BCI系统输出指令数目的同时,还可以提高对外部设备的异步控制性能,进一步拓展了序列MI编码方法的应用范围。基于多尺度时间窗口的序列MI任务检测算法设计。为了提高序列MI任务的检测速度,本文还提出了一种基于多尺度时间窗口的序列MI分类算法。在该方法中,我们选取了从600-2000ms长度范围内的8个不同时间窗口对EEG信号进行特征提取和分类,并分别计算不同时间窗口分类结果的置信度。根据置信度值的大小,分类器对所有分类结果进行加权得到最终的MI分类结果。利用多尺度时间窗口分类算法,在同等分类准确率情况下,序列MI任务模板匹配响应速度相比于传统单一长度时间窗口方法增加了11.4%,而在同等响应时间条件下,MI任务分类准确率提高了4.2%。实验结果表明基于多尺度时间窗口分类算法能够在保证较高分类准确率的情况下,提高序列MI任务的检测速度。上述研究内容和实验结果表明,利用序列编码方法可以有效提高MI-BCI范式的输出指令数目,并能实现对多自由度智能设备的有效控制。该BCI方法可以为运动功能损伤患者提供一种有效的辅助运动手段,实现对各类多自由度康复助残设备的有效操控,进而提高他们的生活自理能力和生活质量。(本文来源于《国防科学技术大学》期刊2016-05-01）
刘宁,赵建华[4]（2015）在《一种多分类器协同的半监督分类算法SSC_MCC》一文中研究指出为了提高半监督分类性能,提出了一种多分类器协同的半监督分类算法SSC_MCC.算法采用双层结构集成,使用多条件判断挖掘未标记样本信息,扩充有标记样本.第一层中,采用叁分类器协同投票一致策略实现对未标记样本进行标记,第二层中采用基于正确分类率的分类器加权投票决策标记未标记样本,扩充有标记样本,用最终生成的有标记样本训练分类器,实现半监督分类.最后,使用UCI数据集模拟半监督实验,结果表明SSC_MCCL较好地提高了半监督分类性能.(本文来源于《河南科学》期刊2015年09期）
滕少华,樊继慧,陈潇,张巍,刘冬宁[5]（2014）在《SVM多分类器协同挖掘局域气象数据》一文中研究指出为有效应对频发的局域气象灾害,急需深入研究局域环境下降雨量的气象数据挖掘技术,以提高降雨预测的准确率。提出了一个基于支持向量机的多组合器协同分析方法,构建了一个多组合器协同分析模型,通过用气象数据的实证性分析与实验,实验结果表明:该多组合器协同分析模型具有较高的预测准确性和分类稳定性。(本文来源于《广西大学学报(自然科学版)》期刊2014年05期）
杨弢,陈文[6]（2012）在《一种基于多分类器协同训练的网络异常检测方法》一文中研究指出基于机器学习的网络异常检测方法是入侵检测领域的重要研究内容.传统的机器学习方法需要大量的已标记样本对分类器进行训练,然而已标记样本通常较难获取,导致分类器训练困难;此外单分类器训练面临难以消除的分类偏向性和检测孔洞.针对上述问题,本文提出了一种基于多分类器协同训练的异常检测方法MCAD,该方法利用少量的已标记样本和大量的未标记样本对多个分类器进行协同训练,以减少分类的偏向性和检测孔洞.对比实验采用经典的网络异常检测数据集KDD CUP99对MCAD的异常检测性能进行验证。实验结果表明,MCAD有效地降低了检测器训练代价,提高了网络异常检测性能.(本文来源于《四川大学学报(自然科学版)》期刊2012年02期）
李士进,陶剑,万定生,冯钧[7]（2010）在《多分类器实例协同训练遥感图像检索》一文中研究指出提出一种基于多分类器协同训练的遥感图像检索方法,该方法在不同特征集上分别建立分类器,利用不同分类器的协同性自动标记未知样本,从而有效解决了小样本问题。通过与相关反馈方法进行实验比较分析,结果表明,这两种方法各有优劣,检索结果基本相当,然而多分类器协同训练方法避免了相关反馈过程中人工的多次反馈,自动化程度更高。(本文来源于《遥感学报》期刊2010年03期）
路梅,叶澄清[8]（2008）在《协同分类器及其在邮件过滤中的应用》一文中研究指出提出了一种基于支持向量机的改进分类方法.该方法将特征空间分类超平面附近的样本分类,交由特征空间和样本空间中的K-近邻集体投票表决。方法应用于垃圾邮件的过滤之中,邮件合法性误判发生的概率可被有效降低。最后通过垃圾邮件过滤实例验证了该方法的有效性。(本文来源于《计算机工程与应用》期刊2008年04期）
代洪涛,王小平[9]（2006）在《基于协同进化PSO的分类器学习算法》一文中研究指出微粒群算法是一种简单、随机的进化群体算法,能够有效地解决数学性质比较复杂的优化问题。神经网络分类器能够解决复杂的非线性空间上分类的问题,它的训练学习算法要求更简单有效。文中将微粒群优化算法应用于神经网络分类器的学习,并加入协同进化机制以增强其性能。实例表明协同PSO算法的优越性。(本文来源于《计算机应用与软件》期刊2006年03期）
董火明,高隽,胡良梅[10]（2005）在《多分类器融合的指纹全局特征协同识别》一文中研究指出指纹识别是生物特征识别中的热点,指纹全局特征识别具有明显的优势,但是单一分类器一般不能取得满意的识别效果。本文采用贝叶斯理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对3种指纹全局特征协同识别分类器:灰度值、主分量以及方向场分类器进行决策层融合,并采用了一种崭新而高效的协同模式识别方法。对FVC2002指纹库的实验表明:该方法具有较好的分类性能,预处理与特征提取简单、计算复杂度低、识别速度快、对污损指纹具有可靠的识别率、鲁棒性强,而且应用于身份认证中也取得了较好的认证效果。(本文来源于《电路与系统学报》期刊2005年03期）
多分类器协同论文开题报告范文
（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：
卷积神经网络(CNN)是一类重要的深度神经网络,然而其训练过程需要大量的已标记样本,从而限制了其实际应用。针对这一问题,分析了CNN分类器的协同学习过程,给出了基于迭代进化的分类器协同训练算法CAMC。该算法结合了CNN和多分类器协同训练的优势,首先采用不同的卷积核提取出多种样本特征以产生不同的CNN分类器;然后利用少量的已标记样本和大量的未标记样本对多个分类器进行协同训练,以持续提高分类性能。在人脸表情标准数据集上的实验结果表明,相对于传统的表情特征识别法LBP和Gabor,CAMC能够在分类过程中利用未标记样本持续实现性能提升,从而具有更高的分类准确率。
（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。
多分类器协同论文参考文献
[1].王鉴航,张广宇,李艳.基于协同编码分类器的SAR目标识别方法[J].中国电子科学研究院学报.2019
[2].陈文,张恩阳,赵勇.基于多分类器协同学习的卷积神经网络训练算法[J].计算机科学.2016
[3].姜俊.自发式多分类脑机协同控制方法研究[D].国防科学技术大学.2016
[4].刘宁,赵建华.一种多分类器协同的半监督分类算法SSC_MCC[J].河南科学.2015
[5].滕少华,樊继慧,陈潇,张巍,刘冬宁.SVM多分类器协同挖掘局域气象数据[J].广西大学学报(自然科学版).2014
[6].杨弢,陈文.一种基于多分类器协同训练的网络异常检测方法[J].四川大学学报(自然科学版).2012
[7].李士进,陶剑,万定生,冯钧.多分类器实例协同训练遥感图像检索[J].遥感学报.2010
[8].路梅,叶澄清.协同分类器及其在邮件过滤中的应用[J].计算机工程与应用.2008
[9].代洪涛,王小平.基于协同进化PSO的分类器学习算法[J].计算机应用与软件.2006
[10].董火明,高隽,胡良梅.多分类器融合的指纹全局特征协同识别[J].电路与系统学报.2005