融合样本选择与特征选择的AdaBoost支持向量机集成算法

您当前的位置：

首页 >

文章列表页 >

融合样本选择与特征选择的AdaBoost支持向量机集成算法

更新时间：2025-07-09

- 融合样本选择与特征选择的AdaBoost支持向量机集成算法
- Issue 12, Pages: 63-68(2014)
- 作者机构：
  
  西北工业大学航海学院
- 作者简介：
- 基金信息：
- DOI：
  CLC： TP18
- Published：2014
- 稿件说明：
移动端阅览
[J]. 2014, (12): 63-68.
DOI：

[J]. 2014, (12): 63-68. DOI：

摘要

为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度

提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法（IFSelect-SVME）。该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择

并用互信息顺序向前特征选择算法进行特征选择

再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器

并对其进行加权集成

生成最终的决策系统。对实验所用9组UCI数据集的仿真结果表明:与支持向量机集成（SVME）算法相比

IFSelect-SVME算法的正确分类率有所提高

且样本数可减少30.8%

0.0%

特征数可减少32.2%

1.5%

简化了集成结构

缩短了测试样本的分类时间

所得到的分类系统具有更好的分类精度。

Abstract

关键词

Keywords

references

J. Arturo Olvera-López,J. Ariel Carrasco-Ochoa,J. Francisco Martínez-Trinidad,Josef Kittler.A review of instance selection methods.[J].Artificial Intelligence Review,2010.

Shiliang Sun.Local within-class accuracies for weighting individual outputs in multiple classifier systems[J].Pattern Recognition Letters,2009(2).

Yoav Freund,Robert E Schapire.A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting[J].Journal of Computer and System Sciences,1997(1).

曹莹,苗启广,刘家辰,高琳.AdaBoost算法研究进展与展望[J].自动化学报,2013(06).

郝红卫,王志彬,殷绪成,陈志强.分类器的动态选择与循环集成方法[J].自动化学报,2011(11).

杨宏晖,戴健,孙进才,杜方键,彭圆,李桂娟.用于水声目标识别的自适应免疫特征选择算法[J].西安交通大学学报,2011(12).

马超,陈西宏,徐宇亮,王光明.广义邻域粗集下的集成特征选择及其选择性集成算法[J].西安交通大学学报,2011(06).

张宏达,王晓丹,韩钧,徐海龙.分类器集成差异性研究[J].系统工程与电子技术,2009(12).

孙亮,韩崇昭,沈建京,戴宁.集成特征选择的广义粗集方法与多分类器融合[J].自动化学报,2008(03).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

低频和高频交流电场助燃对比及燃烧特征参数预测研究

采用改进共空间模式算法的四类表情辅助脑电信号识别方法

改进的熵特征在行星齿轮裂纹故障识别中的应用

支持向量机预测可变参数的永磁同步电机快速终端滑模控制

气象过程信息挖掘与输电线路覆冰预测

Related Author

曾科

张猛

寇海亮

尹晓军

段浩

苏娜

王迪

陶庆

Related Institution

西安交通大学能源与动力工程学院

新疆医科大学第一附属医院

西安交通大学机械工程学院

新疆大学机械工程学院

陆军装甲兵学院车辆工程系

⁰