纠错输出编码算法的研究及其应用

论文摘要

在众多数据挖掘技术中,多分类器融合技术是近几年来的研究热点,它利用多个分类器来解决问题,可以显著提高系统的泛化能力,达到比个体分类器更好的分类精度和鲁棒性,受到许多学者的关注。而使用此技术解决多类分类问题更是一个急需解决的问题。纠错输出编码算法是多分类器融合技术中一个用于解决多类分类问题的典型算法,它将一个多类分类问题分解为若干个二类分类问题,利用多个单分类器的融合模型来处理多类问题,并在许多领域得到应有。本文探讨了传统纠错输出编码算法的特点与存在问题,对其进行改进与扩充,从编码过程、融合策略、半监督学习、动态数据环境等方面拓展其应用领域,设计并实现相应的改进算法。主要工作包括：（1）半监督层次纠错输出编码算法（Semi-HECOC）,使用层次编码和半监督学习技术,提高数据的适应性。（2）基于KNN模型的层次纠错输出编码算法（KNNM-HECOC）,改进融合方式,提高分类器的性能。（3）一种解决概念漂移问题的方法（IKnnM-DHecoc）,快速适应动态数据环境并有效检测概念漂移问题。（4）基于特征的概念漂移检测方法（FSDA）,扩展概念漂移的检测途径。不同的公共数据集和现实应用数据对这些算法的测试表明本文在对纠错输出编码算法研究的有效性,推广和扩充了纠错输出编码算法的研究工作,具有一定的应用价值。

论文目录

• 中文摘要
• Abstract
• 中文文摘
• 目录
• 第一章 绪论
• 1.1 研究背景与选题意义
• 1.2 多分类器融合技术的概念、方法和应用
• 1.2.1 多分类器融合技术的概念
• 1.2.2 多分类器融合技术的方法
• 1.2.3 多分类器融合技术的应用
• 1.3 主要研究内容及特色
• 1.4 论文章节安排
• 第二章 纠错输出编码算法（ECOC）分析
• 2.1 ECOC算法的基本思想
• 2.2 ECOC算法的编码矩阵分析
• 2.3 ECOC算法的研究现状
• 2.4 ECOC算法的优缺点
• 2.5 本章小结
• 第三章 半监督层次纠错输出编码算法
• 3.1 半监督学习算法概述
• 3.1.1 半监督学习的常用算法
• 3.1.2 半监督学习的应用
• 3.2 半监督层次纠错输出编码算法（Semi-HECOC）
• 3.2.1 Semi-HECOC算法简介
• 3.2.2 半监督的纠错输出编码
• 3.2.3 层次编码算法
• 3.2.4 层次编码算法的图解范例
• 3.2.5 Semi-HECOC算法描述
• 3.3 实验及评估
• 3.3.1 实验数据集
• 3.3.2 实验环境设置
• 3.3.3 实验结果对比
• 3.3.4 实验参数分析
• 3.4 本章小结
• 第四章 基于KNN模型的层次纠错输出编码算法
• 4.1 KNN模型算法概述
• 4.2 基于KNN模型的层次纠错输出编码算法（KNNM-HECOC）
• 4.2.1 KNNM-HECOC算法简介
• 4.2.2 KNNM-HECOC算法的基本思路
• 4.2.3 KNNM-HECOC算法描述
• 4.3 实验及评估
• 4.3.1 实验环境
• 4.3.2 实验结果
• 4.3.3 实验参数分析
• 4.4 本章小结
• 第五章 动态层次纠错输出编码算法
• 5.1 研究背景与相关工作
• 5.1.1 概念漂移问题概述
• 5.1.2 增量KnnModel算法
• 5.2 基于增量KnnModel的动态层次纠错输出编码算法（IKnnM-DHecoc）
• 5.2.1 IKnnM-DHecoc算法的具体步骤
• 5.2.2 一次数据概念漂移的示例过程
• 5.2.3 IKnnM-DHecoc算法的实现
• 5.3 实验及评估
• 5.3.1 实验使用的算法
• 5.3.2 实验数据集
• 5.3.3 实验结果与分析
• 5.4 本章小结
• 第六章 基于特征的概念漂移检测算法
• 6.1 特征选择概述
• 6.2 基于特征子空间的概念漂移检测方法（FSDA）
• 6.2.1 最佳子空间簇
• 6.2.2 目标优化函数
• 6.2.3 权重的调整
• 6.2.4 概念漂移的特征定义
• 6.2.5 FSDA算法过程
• 6.3 实验及评估
• 6.3.1 实验数据集
• 6.3.2 实验结果与分析
• 6.4 本章小结
• 第七章 结论与展望
• 7.1 本文工作总结
• 7.2 今后工作展望
• 参考文献
• 攻读学位期间承担的科研任务与主要成果
• 致谢
• 个人简历