论文部分内容阅读
随着分类问题深入研究,分类器的类型和设计方法不断增加,但是在实际应用中,目前我们很难选择那种类型的分类器以及那种设计方案是最优的,因为各种分类器都有自己的优势和适用范围。因此,在实际应用中,多数还是根据经验和考虑现实条件选择分类器。俗话说“三个臭皮匠,赛得过诸葛亮”,分类问题可以采用这一思想,即利用多个分类器的优势互补,对同一分类问题进行综合分析,最终得到科学的决策。从大量的实验应用中,表明多个分类器融合的性能优于单个分类器。模糊积分是一种融合工具,可以有效提高多分类器融合系统分类精确率和改善系统的稳健性,在模糊积分多分类器融合系统中,系统的分类性能很大程度上取决于模糊测度的选取,若选择一个优良的模糊测度将大大提高融合系统分类性能,反之,可能使得融合系统的分类性能不如单个分类器。因此,提高该融合系统的分类性能,实质上就是寻找最优的模糊测度。本文首先介绍几种常用的单分类器和多分类器传统融合方法,并比较分析其优势和缺陷;其次,基于模糊积分的多分类器融合模型的构造,介绍几种确定模糊测度的不同方法,重点阐述了遗传算法的原理和一般步骤,并分析遗传算法的优势和缺陷,引进小生境技术,改进遗传算法设计元素,提出基于小生境遗传优化算法确定最优的模糊测度;最后,通过两个不同类型的仿真实验证实了基于小生境遗传优化算法确定模糊测度的可行性和有效性,并与传统融合方法进行对比分析,发现此方法可以提高多分类器融合系统的分类精度。