1、多分類器集成，也稱多分器組合或多分類器聯(lián)合，近年來，多分類器融合技術在人臉識別、手寫字符識別、遙感圖像分類等方向上受到了廣泛重視，顯示出很大的研究價值和現(xiàn)實應用前景。 多分類器集成的研究是從數(shù)字識別中產(chǎn)生和發(fā)展起來的，其目的是通過對多個互補的分類器識別結果的集成來得到一個高可靠性的識別系統(tǒng)。即旨在充分發(fā)揮每個成員分類器在各自分類性能上的優(yōu)勢，獲得比單個成員分類器都要好的分類識別率。多分類器集成利用不同分類器之間的互補性，提高集成

2、后分類器的性能。 一般通過提高成員分類器的分類性能和增加成員分類器的多樣性來達到提高多分類器集成性能的目的。傳統(tǒng)的多分類器集成方法在體現(xiàn)分類器的多樣性方面存在著很多不足，如：由于組合中的各分類器具有單一性，沒有充分考慮具體數(shù)據(jù)集的特點，因而不能很好對樣本進行識別，等等。為了實現(xiàn)組合分類器的最優(yōu)性能，需要根據(jù)具體的識別對象選擇適合的分類器進行集成，同時也需要考慮針對不同類別的樣本采用不同的集成方式。 本文緊緊圍繞多分類器集

3、成這一課題，旨在分析研究如何實現(xiàn)成員分類器的多樣性來提高集成分類器的性能。充分考慮訓練樣本集的分布特征，在保證單個分類器高性能的情況下，實現(xiàn)成員分類器多樣性的目的。本文的創(chuàng)新性研究成果主要有： 1、提出了有關集成學習的兩種多分類器動態(tài)組合方法(DEA和EMDA)。DEA算法首先根據(jù)類別標號將訓練數(shù)據(jù)劃分成一個個小集合，并在訓練數(shù)據(jù)類別數(shù)的指導下對測試數(shù)據(jù)聚類，依據(jù)歐氏距離找出聚類集與訓練數(shù)據(jù)的小集合之間的對應關系。在Adaboo

4、st基礎上采用不同的分類算法，在整個訓練數(shù)據(jù)上訓練出不同類型的成員分類器，然后通過在訓練數(shù)據(jù)中每個小集合上學習，獲得最優(yōu)的分類器，用它們?nèi)シ诸悳y試數(shù)據(jù)聚類后對應的聚類集，從而獲得DEA的分類性能。EMDA方法是在DEA算法啟發(fā)下，尋找另一種選擇成員分類器的方法，在DEA中最優(yōu)分類器的選擇是通過誤差率來選擇的，而EMDA使用信息熵的方法來實現(xiàn)最優(yōu)分類器的選擇。以上兩種算法實現(xiàn)了成員分類器的多樣性，并且提高了分類性能。同時，我們以Weka軟

5、件作為平臺實現(xiàn)了DEA和EMDA算法，并在15個標準UCI數(shù)據(jù)集上進行實驗，結果表明我們所提出的兩種算法與AdaBoost算法相比，均具有較高的分類準確性和較好的泛化能力。 2、提出一種基于特征選擇的多分類器集成方法(FSCE)。該方法對訓練數(shù)據(jù)集的屬性進行特定選擇后，將獲得的新數(shù)據(jù)集映射成屬性數(shù)目(除類別屬性外)個小實例集，然后從每個小實例集訓練出的分類器中選擇性能較好的，用來對屬性選擇后對應的每個小測試實例集進行性能測試，并