一、多分类器组合及其应用（论文文献综述）
方洁苑[1]（2021）在《基于证据理论的分类器集成及其应用研究》文中研究指明在机器学习相关领域,分类问题是较为常见的一大类.用于处理分类问题的分类算法基于各自不同的理论基础,都可以解决一定领域的分类任务,但没有一种方法可以很好的适用于所有问题.因此,有关于分类算法的研究依然是当下的关注重点,多种机器学习分类器集成便是其中一个重要方向.同时,证据理论因其在信息不确定性的表示、测量和组合方面的明显优势,已成为不确定信息融合领域的重要理论,被广泛应用于各类研究,也是分类器集成的结合策略之一.本文基于证据理论的数据信息融合思想,给出一种基于个体分类器评估指标对分类器输出信息加权的分类器集成方法.具体的,汇总基于不同理论框架的分类器对同一分类问题的输出结果信息,引入分类器评估指标作为证据权重,以此量化各个基分类器的输出信息在证据合成中的价值,并将其应用于证据输入信息的改善,进而利用Dempster证据合成规则对每个样本完成多个证据融合并汇总给出最终分类结果.利用车辆保险投保预测案例以及UCI中7个数据集进行实验,覆盖二分类和多分类案例,更全面验证本文方法的分类效果.选择支持向量机、朴素贝叶斯、梯度提升机、逻辑斯蒂回归、自适应提升五种分类算法用于集成,并给出两种集成模式（三个分类器和五个分类器）.对于每个案例都进行单个分类器与本文给出分类方法的对比研究,给出每种分类结果对应的评估指标（准确率、精确率、召回率等）综合对比评价分类方法在该案例上的表现.实验结果显示,在车辆保险投保预测案例中,本文给出的方法在保证分类效果AUC指标接近于最优值的同时,相较于单个分类器显着提高了准确率、召回率等指标值;在7个UCI数据集案例中有5个达到或超出单个分类器最优分类效果评估指标值,尤其是Seeds以及Climate原始数据集中,本文方法的分类结果在所有评估指标上均超出单个分类器的最优分类结果.整体而言,本文给出的方法使得分类效果处于一种稳中有优的状态,对于集成中某一分类器分类效果较差的现象能够非常有效地规避.充分证明了基于个体分类器评估指标对分类器输出信息加权的证据融合分类器集成方法可以较好地提高分类识别性能,且具有良好的稳健性和泛化性.
王星[2]（2020）在《基于嵌入式Linux电力网关设计与用电异常行为分析》文中认为随着“泛在电力物联网”的提出,信息化与智能化已经成为智能电网的一个发展方向。一方面,利用通信技术,实现底层电气设备和云平台的广泛交流;另一方面,随着人工智能、数据挖掘技术的逐渐成熟,电网数据价值需要更深一步的挖掘,更好地完善应用层的用户服务。电网企业可以通过两个方面实现业务转型升级,促进社会经济的可持续发展。目前,仍有部分电气设备不能满足物联网发展的要求,但更换这些电气设备的成本比较昂贵。本文设计并制作了一款电力网关硬件平台,旨在解决部分电气设备的数据无法上传至云平台的问题。硬件上,本文利用FET335XS-Ⅱ核心板,在其周围设计了 RS485、USB、以太网、无线远距离等接口电路和供电电路;软件上,本文以嵌入式Linux操作平台为基础,在数据传输方面,实现对电气设备的数据采集,将设备层的Modbus数据协议解析处理,再封装成MQTT协议帧,通过远程无线网络上传至云端。其次,嵌入BOA Web服务器和SQlite3数据库,实现了电力网关参数的配置功能;利用对U盘的操作,实现系统升级服务。最后经过实验测试表明,该电力网关具有针对性强、成本低廉等特点,满足了电力场合的基本功能需求。电力网关将有价值的数据汇总在云平台上,通过数据分析可以获得潜在的经济价值。本文针对用户用电异常行为,以窃电行为为切入点,在总结了传统窃电行为的检测方法具有主观性强、滞后性高的缺点后,采用了基于多分类器组合的用电异常行为检测模型。本文首先对数据集进行分析,利用异常用电函数,合成了异常用电数据。然后在提取统计特征和降维后,对比了逻辑回归模型、SVM模型、随机森林模型和BP神经网络模型在窃电检测行为方面的性能指标。最后采用随机森林、支持向量机、BP神经网络等三个模型组合形成的多分类器组合模型,对窃电行为做了检测实验。实验表明,多分类器组合模型的综合性能优于单一的机器学习模型。该模型的设计,为电力企业在稽查窃电行为中提供了一定的建议,打击了恶意窃电行为,有利于电网的稳定运行。
曲志雕[3]（2020）在《基于多源脑电数据融合的抑郁症识别模型构建方法研究》文中指出近年来,随着全球范围内抑郁症的发病率逐年升高,各领域对抑郁症识别的研究随之成为热点。目前,抑郁症的诊断手段仍多采取主观的识别方法,主观法会造成对抑郁症的漏判和误判。为了找到客观的诊断手段,大量研究者企图在抑郁症患者的生理信号或者在行为信号中找到突破,相关的研究也逐渐在开展。脑电信号作为一种典型的生理指标,有研究者将其应用在抑郁症的识别中,取得了不错的效果。然而,由于目前对抑郁症潜在的生理学机制仍不清楚,基于单源脑电数据构建的抑郁症识别模型存在一定的局限性,很难得到普适化的应用。因此,为了探究普适化的抑郁症脑电识别模型,本文通过结合多源数据融合技术,将不同类型情绪刺激下的抑郁脑电数据在特征层进行融合,从而构建相对有效且泛化性能较好的抑郁症识别模型。本文主要的贡献及创新点有以下几点:（1）利用抑郁症患者对外界情绪刺激的反应不同,从正性、负性、中性三类情绪刺激出发,在Fp1、Fp2、Fpz三个电极及theta、alpha、beta、gamma、全波段五个波段下提取了与抑郁症相关的脑电特征,并基于提取的特征构建了45个单源的特征子集。（2）针对多分类器组合学习中,个体分类器权重分配不均及遗传算法中,初始化种群的盲目性等问题,提出了基于改进遗传算法的多分类器组合策略,并将该组合策略在18个公开的数据集中进行了验证,结果表明该组合策略具有一定的实用性和有效性。另外,本文也利用该组合策略构建了多分类器组合学习模型,并使用该模型从45个单源抑郁脑电数据子集中挑选了5个表现相对较好的数据子集作为多源脑电数据融合的基础。（3）通过对传统的多源数据的特征层融合策略进行分析,提出了基于权重优化的特征层融合策略,并将该策略与传统的融合策略进行了对比实验,结果表明该融合策略在抑郁症识别中具有不错的效果。此外,为了进一步测试基于多源脑电数据构建的抑郁症识别模型的效果,本文也将其与基于单源脑电数据构建的模型进行了对比,实验结果表明,基于多源脑电数据构建的抑郁症识别模型能够取得较好的识别准确率,在一定程度上能够为抑郁症的诊断提供一种辅助工具。
姜弃疾[4]（2019）在《多分类器动态融合技术研究》文中研究说明多分类器融合的目的在于结合每一个基分类器分类性能上的优点来共同预测,从而能够获得比单独使用某一个基分类器分类效果都更好的分类模型。多分类器动态融合技术是多分类器融合技术的一个重要分支,它的主要思想是针对不同的待分类样本动态的选择不同的基分类器进行融合,以达到更强的灵活性和更高的准确性。目前多分类器融合技术已成为一个研究热点,研究成果层出不穷。但该技术仍然存在部分问题,如:多个分类器之间的差异性构建、基于KNN的动态筛选基分类器组合的条件设定以及加权融合中权重的设定等。针对上述存在的不足之处,本文的主要研究如下:1.针对后续动态融合算法的适用范围,本文首先提出了一套数据筛选规则。该规则通过寻找近邻样本构成能力区域,判断所有基分类器在该能力区域能否全部正确预测,如果所有基分类器能够全部准确预测这些近邻,则该样本不需要进行动态融合。反之,则构建成为子测试集。2.针对KNORA-ELIMINATE-W方法筛选以及集成时的不足,本文提出了改进的KNORA-ELIMINATE-W方法,该方法通过寻找子测试集样本的近邻样本构成能力区域,测试基分类器在该能力区域的性能。如果某个基分类器能够正确预测这些近邻,则该基分类器作为基分类器集中的一员。反之如果不存在基分类器能够正确预测这些近邻,则采用局部准确率最高的基分类器的预测结果作为分类结果。3.为了进一步提高分类准确率,本文提出了基于Stacking的两层混合算法。其中第一层模型采用单一分类器算法,第二层采用改进KNORA-ELIMINATE-W方法。最后为了评估本文所提出方法的分类性能,本文将提出的方法与其他方法进行了实验对比,准确率提升了2%左右,证明了其有效性。
吕晓宁[5]（2019）在《多分类器选择性集成方法研究及其应用》文中指出利用机器学习分析现实生活中的海量数据,从中得到的有用信息对人们的生产、生活都有很好地指导。而分类就是机器学习的重要任务之一。但现实生活中的数据往往存在纬度高、含有噪声等现象,严重影响力分类的精度和效率。如果使用传统的基分类器来分类,就难以达到很好的分类效果,且单一的基分类器在分类时的泛化能力不强,因此,想要有效处理现实生活中的分类问题,需要考虑构建一种性能良好的分类器,而将多个基分类器组合形成新的分类器就是一种很好的解决办法。本文以构建一种多分类器集成模型为目标,重点研究将多个基分类器进行集成,进而形成分类效果优异的强分类器的方法。本文的研究对提高分类器的分类准确度以及泛化能力具有一定的参考价值。本文在传统基分类器的基础之上,围绕多分类器集成模型和多分类器选择性集成模型进行研究,主要的内容和工作归纳如下:1.针对基础理论部分,探讨了四个方面的内容:1)数据预处理,主要是针对生活中数据具有分布不平衡、冗余、高维的特点导致分类效果不好,而考虑了数据的归一化、数据降维技术、不平衡数据的处理方法等。2)分类算法,分析了传统分类算法,包括:贝叶斯（Bayes）、支持向量机（SVM）、决策树、K近邻（KNN）、神经网络、随机森林。重点讲述了 SVM、KNN的优缺点。3)遗传算法,阐述了遗传算法的重要组成部分以及算法实现流程。4)分类算法的评价准则,介绍了准确率、精度、召回率、F1值的含义及相应的计算公式。2.针对多分类器集成部分,重点分析了 Bagging算法、Boosting算法、Stacking算法。得出基分类器中支持向量机的分类效果优于其他的基分类器,因此选用支持向量机作为基分类器,构建了 AdaBoostSVM多分类器集成模型、BaggingSVM多分类器集成模型。并选取了乳腺癌数据集、肝炎数据集、银行营销数据集、地震数据集、审计数据集进行实验,验证了两个多分类集成模型在分类问题上的性能。3.针对多分类器选择性集成部分,分析了多分类器集成模型可能存在时间复杂度高、空间复杂度大等缺点,因此,构建了多分类器选择性集成模型。给出GMDH算法实现差异性个体算法的实现流程,基于GMDH算法构建了差异性基分类器,并通过遗传算法对差异性基分类器进行优化,得到最终基于GMDHGA的多分类器选择性集成模型。最后以相同的数据集验证算法的性能,实验结果表明GMDHGA多分类器选择性集成模型在分类效果上明显优于AdaBoostSVM多分类器集成模型、BaggingSVM多分类器集成模型、GMDH模型。
李锦如[6]（2019）在《集成学习及其在用户流失预测中的应用》文中研究表明集成学习是模式识别领域的研究热点,集成分类器往往比单一分类器具有更好的预测精度和泛化能力。本文提出了一种基于BQIGSA选择性集成分类器的方法,并将其应用到用户流失预测中,期望能提升预测效果,帮助减少运营商的用户流失率。在基分类器的训练方面,本文选取了CART、Logistic和SVM为单一分类器。并针对用户流失数据高维性的特点,通过构造属性子集来训练基分类器。属性子集的选取有两个步骤:（1）使用Relief权重、MIC、条件基尼增益、Pearson相关系数、Fisher得分这五个相关性指标计算各个属性与类别的相关性,再利用舒尔茨函数融合五个指标的计算结果,得到属性与类别的相关性,并选取相关性较大的前80%的属性;（2）利用AP聚类算法对保留的属性进行聚类,从各个聚类类别中随机选取属性构造属性子集。基分类的训练形成了单一分类器分别为CART、Logistic、SVM、CL（CART+Logistic）、CS（CART+SVM）、LS（Logistic+SVM）、CLS（CART+Logistic+SVM）的七组基分类器集合。在基分类器的筛选方面,首先针对在训练集中预测结果完全一致的基分类器,保留其中具有最高AUC值的分类器。其次,对保留的基分类器利用BQIGSA进行筛选,分别设置适应度为Gmean和AUC,并将其在测试集的预测效果与基于遗传算法、Bagging算法集成基分类器的效果进行比较。结果表明,基于BQIGSA选择性集成分类器的方法具有最好的分类效果,且该方法通过设置合理的适应度函数可以减少不均衡样本对分类结果的影响。同时,以AUC为适应度函数比以Gmean为适应度函数更符合实际业务需求,可以在非流失用户召回率在60%以上时,使流失用户的召回率达到85.46%。
习朝辉[7]（2019）在《强震区地质灾害多源信息识别及发育特征研究 ——以叠溪松坪沟为例》文中进行了进一步梳理我国是一个地震频发的国家,地震将会诱发大量的地质灾害。地震诱发地质灾害具有规模大、运动距离远等特征。使用InSAR、无人机和实地调查等多种方法对茂叠溪松坪沟地质灾害进行识别,通过多种方法共识别地质灾害107处,其中崩塌82处、滑坡25处。使用ARCGIS软件对研究区内地质灾害的发育特征进行研究,根据松坪沟内地质灾害的发育特征建立强震区地质灾害易发性评价体系,并以九寨沟地震为例进行验证。主要结论如下:（1）基于行为知识空间（BKS）融合算法和判决矩阵算法构建的多源信息地质灾害识别方法可使得灾害识别精度达到70%以上。经叠溪松坪沟灾害识别应用,共识别地质灾害107处,其中崩塌82处、滑坡25处。依据地质灾害发育数量和规模由强到弱将研究区分为较场区、团结村区、松坪沟区、龙池区四处不同灾害等级区域。（2）建立强震区地质灾害多源信息识别理论体系,根据多源信息和地质灾害特点建立4个基本分类器,使用单个基本分类器难以获取较高的地质灾害识别精度,但根据各个单分类器之间的互补性,可剔除其他地物,实现地质灾害较高精度的识别,通过筛选分类器组合降低了计算量,采用判据矩阵、行为知识空间算法进行分类器融合,有效提高了地质灾害的识别精度。（3）对研究区内典型的滑坡、崩塌地质灾害破坏特征和形成机理进行分析,选取同震地质灾害:团结村滑坡、银屏崖崩塌和震后地质灾害:新磨村滑坡和国道G213沿线崩塌进行分析。四处地质灾害均位于叠溪地震Ⅹ度地震烈度区,在地震强烈释放能量的过程中,团结村滑坡、银屏崖崩塌直接发生破坏;同时造成新磨村滑坡、国道G213沿线崩塌所在斜坡岩体震裂损伤,在长期的自重、风化侵蚀、降水以及多次地震的综合作用下,新磨村滑坡发生破坏、G213沿线崩塌接近破坏（现已采取治理措施进行治理）。（4）使用ARCGIS研究调查的崩塌、滑坡分布规律。地质灾害主要发育于坡度为30°～50°的斜坡中;研究区内海拔2600～3000m范围内,地质灾害较为多发;大型地质灾害主要发生于坡向为南的斜坡中,坡向为东的斜坡中地质灾害数量最多;叠溪地震Ⅹ度地震烈度区地质灾害规模最大、数量最多;存在软弱夹层的杂谷脑组（T3z）和侏倭组（T3zh）地层地质灾害数量较多;距离断裂带和水系距离越近地质灾害数量越多、规模越大。（5）对松坪沟内地质灾害发育的数量（N）和面积（S）与距松坪沟水系距离（Dw）和距断裂带距离（Dr）进行研究,关系如下:S=587.67ln（Dw）+905.41（R2=0.9612,Dw≤4km）、N=23.73ln（Dw）+75.396（R2=0.9832,Dw≤4km）;S=338.51ln（Dr）+1131.6（R2=0.9781,Dr≤5km）、N=36.329ln（Dr）+53.815（R2=0.9539,Dr≤5km）,距离松坪沟断裂、水系距离越近地质灾害发育数量越多。（6）选取高差、坡度、岩体结构、岩层倾角与坡向夹角、岩层倾角、岩体强度、软弱结构面强度、岩体组合特征、与水系距离、地震烈度和断裂距离11个评价指标,建立强震区地质灾害易发性评价指标体系,使用神经网络模型获取各个评价指标的权重,其中地震烈度对研究区地质灾害易发性影响最大。以九寨沟地震为例,对所建立的模型进行验证,地质灾害主要发生于高易发区和较高易发区,表明所建立的模型评价结果较为可靠。
雷浩川[8]（2018）在《多分类器集成的遥感影像分类研究》文中提出本文通过对国内外遥感影像分类技术的总结与分析,发现遥感影像分类是土地利用变化,环境监测,灾变监测等生产实践中的重要的环节,尤其是影像的分类精度,是进行其他各种统计分析的前提和条件。本文在总结传统影像分类方法,当前遥感技术发展的热点,提炼出以下遥感影像分类技术中的发展方向:（1）传统的遥感影像分类技术已比较成熟,应用广泛,但由于不同的分类器分类精度不同,影像分类精度与分类时数据的预处理,样本选择,波段选择,分类算法等很多因素有密切关系,在多种因素影响下,分类精度表现出很大的不确定性。同时,能够顾及影像分类全流程可以整体提高分类精度的技术尚不多见。（2）人工智能方法、机器学习技术能较好地解决分类时不同的样本选择,不同的基分类器分类方法,样本的主观性、结果不确定性与模糊性等问题,极大提高分类的精度,机器学习技术将成为遥感领域研究的热点。为了解决传统遥感影像分类技术中的一些缺陷,例如精度有限,不同分类器对同一分类任务分类精度差别很大,存在一定主观性,分类结果缺乏统一性乃至不同的分类器分类结果产生矛盾等问题,本文尝试将集成学习引入遥感影像分类、利用投票法、证据权法、随机森林三种方法实现多分类器组合分类,研究分类器组合及精度评价,通过分类器组合理论的研究,探索分类器组合的软件实现方法,使用ArcGIS平台下的Model Builder工具,通过ENVI和ArcGIS一体化开发技术,将投票法,证据权理论分类器组合集成为一套遥感影像分类工具,实现遥感影像分类的便捷化,模型共享化,精度最大化。同时在异质分类器组合的实现基础上,应用开源软件EnMAP-Box,探索了同质分类器组合,精度评价技术。本研究以青海省西宁市土地利用分类、青海湖流域土地利用变化预测中的遥感影像分类为实例,实现多分类器组合分类,获得了以下结论:（1）投票法、证据D-S组合理论作为多分类器集成的两种方法,可以实现影像分类精度的提高与精度评价,具有较好的应用前景。（2）基于EnMP-Box的随机森林分类,可以有效集成同质决策树分类器,实现精度评价,不仅可以用在高光谱领域,而且也可以用在多光谱图像分类。（3）由于分类器的差异性测度研究所限,论文做了有限个分类器集成分类的研究,对系统集成的不确定性,对多分类器组合的分类器选择,分类器的组合个数,组合方式,组合后的性能优化有待深入研究。
申怀飞[9]（2018）在《基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究》文中研究指明随着遥感技术的发展,遥感数据的类型越来越丰富、数据量日益剧增,海量的遥感数据在同一地区形成了多时相遥感影像序列数据。遥感影像时间分辨率的提高,使得遥感数据中蕴含的时间维度信息越来越丰富。遥感影像时间维度信息的增加拓展了遥感数据的应用领域,如何利用或借鉴目前成熟的技术方法,挖掘海量遥感数据所蕴含的丰富信息（特别是时间维信息）,提高多时相遥感图像地物分类识别精度始终是遥感应用领域研究人员无法回避的难题。论文针对这一难题,以中国南海北部湾地区为研究区,在借鉴多分类器融合算法、随机森林算法和指纹识别技术等理论的基础上,重点研究了如何利用多时相遥感图像中蕴含的丰富信息的方法,从两种算法构建思路（即改善优化现有遥感图像分类算法和借鉴相关领域技术构建全新遥感图像分类识别算法）出发,构建了多时相遥感影像分类与识别算法。具体来说,论文通过对多分类器融合算法和随机森林算法的分析,首先利用稳定权重加权投票法对多分类器融合算法做了相应的改进,并在借鉴随机森林算法的基础上,将改进后的多分类器融合算法应用于多时相遥感图像分类;随后借鉴指纹识别技术提出了基于像元图像指纹识别技术的多时相遥感图像分类与识别算法;最后利用研究区多时相Landsat OLI影像数据进行了算法的验证测试,算法的分类识别精度达到了预期效果。论文的研究结论和创新点包括:（1）构建了基于稳定权重加权投票的多分类器融合算法。在借鉴前人关于多分类器融合算法相关研究成果的基础上,对比分析了基于多种投票模式的多分类器融合分类结果,提出了稳定权重的概念,改进了精度权重值的不稳定性问题,并对稳定权重进行了修正,最终构建了基于稳定权重加权投票的多分类器融合算法。该算法不仅改善了分类器的分类性能,显着提高了遥感图像分类精度,而且避免了因精度评价样本的抽样性带来的不稳定性问题。通过测试可知:算法分类结果的总体精度从各子分类器分类结果的52.76%-58.23%提升至61.54%,提升了3.31%-8.78%。（2）提出了基于稳定权重加权投票的多分类器迭代融合算法模式。利用迭代算法思想,对基于稳定权重加权投票的多分类器融合算法进行了改进,提出了基于稳定权重加权投票的多分类器迭代融合算法模式,充分挖掘了多分类器融合算法的潜力,进一步提升了分类精度。（3）提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合算法模式。为了挖掘利用多时相遥感影像所蕴含的丰富地物信息（特别是时间维度信息）,论文通过分析遥感图像监督分类过程中的三个主要影响因素,在借鉴随机森林算法思想的基础上,提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合算法模式。该算法充分考虑了遥感图像分类过程中的影响因素,改善了因训练样本抽样特性带来的不稳定性问题,改善了不同分类器的性能差异问题,同时也在一定程度改善了单一时相遥感影像所带来的“同物异谱,异物同谱”的影响,通过算法的三次融合融合分类,极大限度地提升了遥感图像的分类精度。算法测试结果表明:总体精度从最初的42.30%-69.08%提升至83.09%,提升了 14.01%-40.39%,提升幅度显着。（4）构建了基于像元图像指纹识别的多时相遥感图像分类识别算法。在借鉴指纹识别技术原理的基础上,论文通过构建遥感多时相影像的像元图像的方法,利用Hash算法原理,提出了基于像元图像指纹识别的多时相遥感图像分类算法和基于像元图像指纹识别的多时相遥感图像目标地物识别算法。该算法充分利用了多时相遥感影像丰富的时间维度信息,有效解决了高维影像数据的数据冗余所带来的算法效率低下问题,提高了遥感图像分类精度的同时,提升了算法运算效率。通过算法最终测试可知:分类算法测试结果的总体精度可到达80%以上,而从识别算法的测试结果（红树林和桉树林）来看,识别算法对红树林和桉树林的识别正确率分别达到了 79.63%和75.54%。测试结果表明算法取得了令人满意的效果。论文利用多分类器融合思想和迭代算法思想构建了基于稳定权重加权投票的多分类器融合算法及其迭代融合算法,并将其应用于遥感多时相影像;进而构建了基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合算法模式,消弱了遥感图像监督分类过程中的各因素对分类结果的不利影响,改善了分类效果,提高了分类精度,但是该算法分类过程复杂冗长,算法效率较为低下。而论文最后构建的基于像元图像指纹识别的多时相影像分类算法,通过图像压缩技术,在提高算法效率的前提下,挖掘了多时相影像的时间维度信息,一定程度上改善了遥感图像分类效果,提高了分类精度,另外该算法经过改进,通过利用统计分析结果设定合理阈值的方式,将分类算法转化为目标地物的识别算法,使得地物类型的识别更加快速有效。基于两种算法思路构建的分类（识别）算法或者模式,各有优劣。
王延斌[10]（2018）在《动态集成学习算法研究》文中认为集成学习能显着提高分类的精度因而一直是机器学习领域的研究热点。传统的集成学习算法未能考虑基分类器的局部有效性,没有考虑到大数据集的复杂性,对参与集成的分类器未能进行评估选择,结构不够灵活,导致面对大数据集时的分类准确度不高并且效率低下,因此如选择性集成和动态多分类器整合技术等更有效的集成学习算法被提出。本文主要针对动态多分类器整合技术,研究了两种动态集成算法:一种重点针对分类器的构建方法,在不同子集训练生成基分类器,用决策树的方式进行整合的集成学习算法;另一种是一个动态融合方法——基于相关度分析的动态集成算法。本文的主要研究内容分两部分:在第一部分,我们基于梯度优化的思想,提出一种决策树结构的集成学习系统。采用一种动态集成技术是将整个数据集分成若干个子集,在每个子集上训练基分类器,测试时,根据不同被测样本所属子集的不同动态地选择部分而非全部的基分类器进行集成或动态调整基分类器的权重,从而提高分类准确度。有很多划分子集的方法被用于动态集成。本文提出的集成算法使用分类器分类类别为下层分类器划分出更小的子集,利用这些更小的子集训练样本构建具有更好局部分类精度的基分类器,并将多个基分类器组成决策树结构的集成学习系统。通过基分类器的集成在美国某高校招生录取这一个实际应用的数据集上进行实验,实验结果验证了该算法在保持分类器偏置不变的同时有效地减少了集成系统的方差,提高了集成的泛化性能。在第二部分,我们从分类器融合角度,提出基于相关度分析的动态融合方法。这种动态集成算法是根据待测样本与训练样本的相似度度量来判定分类器的有效区域,从而实现较好的分类器动态融合。利用学习的方法获得更为精确的分类相关度,在多分类器系统的上层增加一个选择层用于动态选择参与集成的基分类器,选择层选择行为的实现是由训练样本在参与集成的多个分类器上分类正确与否的标记信息训练得到。同时为提高集成效果,先用互补指数和分类正确覆盖率对基分类器进行了筛选和排序。在多个实验数据集上进行实验,结果表明所提出的算法是有效的。本文从分类器构造和整合这两个不同的方面对如何提高集成分类系统性能进行了研究,并在实际数据集上做了大量的试验,为我们解决实际问题提供了一些可行方案。
二、多分类器组合及其应用（论文开题报告）
（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、多分类器组合及其应用（论文提纲范文）
（1）基于证据理论的分类器集成及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 证据理论发展现状 |
| 1.2.2 分类器集成方法发展现状 |
| 1.2.3 证据理论在分类器集成中的应用 |
| 1.3 本文研究内容及章节设置 |
| 1.4 本章小结 |
| 2 理论基础 |
| 2.1 D-S证据理论 |
| 2.1.1 基础概念介绍 |
| 2.1.2 Dempster证据合成规则 |
| 2.2 分类器集成 |
| 2.2.1 分类器集成方法概述 |
| 2.2.2 分类算法选择及理论介绍 |
| 2.3 本章小结 |
| 3 基于评估指标加权的证据融合优化 |
| 3.1 分类算法评估指标 |
| 3.2 分类器权重设置 |
| 3.3 证据输入信息优化方法 |
| 3.4 本章小结 |
| 4 实例分析 |
| 4.1 实验流程 |
| 4.2 车辆保险投保预测案例 |
| 4.2.1 案例背景及数据介绍 |
| 4.2.2 数据处理 |
| 4.2.3 实验设置及结果分析 |
| 4.3 UCI数据集案例 |
| 4.3.1 数据来源及介绍 |
| 4.3.2 实验设置及结果对比分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A UCI数据集案例分类结果评估信息汇总 |
| 致谢 |
（2）基于嵌入式Linux电力网关设计与用电异常行为分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 电力物联网的国内外发展 |
| 1.2.2 物联网网关的研究进展 |
| 1.2.3 异常用电行为检测的国内研究进展 |
| 1.3 本文主要研究内容及章节安排 |
| 1.4 本章小结 |
| 2 电力网关总体设计 |
| 2.1 物联网架构介绍及电力网关需求分析 |
| 2.1.1 物联网的分层网络架构介绍 |
| 2.1.2 电力网关的需求分析 |
| 2.2 电力网关设计方案研究 |
| 2.2.1 电力网关通信方式方案论证 |
| 2.2.2 电力网关软件平台方案论证 |
| 2.3 电力网关通信协议的介绍 |
| 2.3.1 Modbus协议 |
| 2.3.2 MQTT协议 |
| 2.4 电力网关的系统框架 |
| 2.5 本章小结 |
| 3 电力网关的实现 |
| 3.1 硬件的设计 |
| 3.1.1 硬件电路总体架构 |
| 3.1.2 硬件电路设计 |
| 3.2 软件的设计 |
| 3.2.1 嵌入式软件开发平台的介绍 |
| 3.2.2 串口接收数据程序 |
| 3.2.3 远程无线网络的搭建 |
| 3.2.4 接收与发送数据间通信的设计 |
| 3.2.5 本地配置 |
| 3.2.6 程序升级服务 |
| 3.3 电力网关功能测试 |
| 3.3.1 测试平台的搭建 |
| 3.3.2 本地配置服务测试 |
| 3.3.3 云平台接入测试 |
| 3.4 本章小结 |
| 4 用电异常行为的分析 |
| 4.1 异常用电行为概述 |
| 4.2 异常用电行为基本模型 |
| 4.3 基于传统思路的检测方法 |
| 4.4 基于机器学习的检测方法 |
| 4.4.1 机器学习主要算法分类 |
| 4.4.2 机器学习开发流程 |
| 4.5 本章小结 |
| 5 基于多分类器组合的用电异常行为检测 |
| 5.1 相关理论基础的研究 |
| 5.1.1 逻辑回归 |
| 5.1.2 支持向量机 |
| 5.1.3 随机森林 |
| 5.1.4 BP神经网络 |
| 5.1.5 多分类器组合 |
| 5.2 电力用电数据的处理 |
| 5.2.1 数据集构建及介绍 |
| 5.2.2 数据清洗 |
| 5.2.3 特征提取 |
| 5.2.4 数据归一化和降维 |
| 5.3 模型构建与实验分析 |
| 5.3.1 基于基分类器的异常用电行为检测实验 |
| 5.3.2 基于多分类器组合模型的异常用电行为检测实验 |
| 5.3.3 模型比较 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）基于多源脑电数据融合的抑郁症识别模型构建方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 基于脑电的抑郁症识别研究现状 |
| 1.3 多源数据融合 |
| 1.3.1 多源数据融合的研究背景 |
| 1.3.2 多源数据融合的应用研究 |
| 1.3.3 多源数据融合的国内外研究现状 |
| 1.4 本文研究目的及意义 |
| 1.5 本文的研究内容与章节安排 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文章节安排 |
| 第二章 相关理论和知识简述 |
| 2.1 脑电信号概述 |
| 2.2 与抑郁症相关的脑区和波段 |
| 2.2.1 抑郁症与前额脑区 |
| 2.2.2 抑郁症与脑电波段 |
| 2.3 外界情绪刺激对抑郁症的影响 |
| 2.3.1 抑郁症与情绪诱导素材 |
| 2.3.2 前额脑区与情绪诱导素材 |
| 2.4 基于脑电的机器学习分类模型 |
| 2.4.1 单分类器分类技术 |
| 2.4.2 多分类器组合技术 |
| 2.5 多源数据融合 |
| 2.5.1 多源数据融合层次 |
| 2.5.2 特征层融合策略 |
| 2.6 本章小结 |
| 第三章 基于改进遗传算法的多分类器组合策略研究 |
| 3.1 引言 |
| 3.2 个体分类器的生成 |
| 3.3 多分类器组合策略 |
| 3.3.1 基于简单投票法的多分类器组合策略 |
| 3.3.2 基于加权投票法的多分类器组合策略 |
| 3.3.3 遗传算法在加权组合策略中的优势 |
| 3.4 基于改进遗传算法的多分类器组合策略 |
| 3.4.1 改进初始化种群策略 |
| 3.4.2 基于改进遗传算法的加权组合策略 |
| 3.5 实验研究 |
| 3.5.1 实验数据 |
| 3.5.2 实验方案 |
| 3.5.3 实验结果分析 |
| 3.5.4 IGA_MCCS算法的时间复杂度分析 |
| 3.6 本章小结 |
| 第四章 融合多源脑电数据识别抑郁症 |
| 4.1 多源脑电数据采集 |
| 4.1.1 采集方式及设备 |
| 4.1.2 实验范式 |
| 4.1.3入组标准及实验 |
| 4.2 构建多源抑郁脑电特征数据子集 |
| 4.2.1 抑郁脑电数据预处理 |
| 4.2.2 多源抑郁脑电特征提取 |
| 4.3 基于IGA_MCCS算法的多源抑郁脑电特征数据子集分析 |
| 4.3.1 单源抑郁脑电特征集分析 |
| 4.3.2 实验分析结果 |
| 4.4 多源抑郁脑电的特征层融合策略 |
| 4.4.1 传统的串并行特征层融合策略 |
| 4.4.2 基于权重优化的并行融合策略 |
| 4.5 基于权重优化融合策略构建抑郁症识别模型 |
| 4.5.1 多源抑郁脑电融合模型构建方案 |
| 4.5.2 多源抑郁脑电融合模型各方案性能分析 |
| 4.5.3 构建多源脑电数据融合的抑郁症识别模型 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（4）多分类器动态融合技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多分类器动态融合研究现状 |
| 1.2.2 Stacking算法研究现状 |
| 1.2.3 现有研究总结 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 2 多分类器融合技术 |
| 2.1 多分类器融合概念 |
| 2.2 多分类器融合可行性的原因 |
| 2.3 多分类器融合框架 |
| 2.4 多分类器动态融合概念 |
| 2.5 多分类器动态融合框架 |
| 2.6 本章小结 |
| 3 多分类器融合方法 |
| 3.1 多分类器静态融合方法 |
| 3.1.1 投票表决法 |
| 3.1.2 Bagging算法 |
| 3.1.3 Boosting算法 |
| 3.1.4 CMM算法 |
| 3.1.5 多分类器静态融合方法总结 |
| 3.2 多分类器动态融合方法 |
| 3.2.1 基于KNN策略的动态融合方法 |
| 3.2.2 基于聚类的多分类器动态融合方法 |
| 3.2.3 基于数据集的多分类器动态融合方法 |
| 3.2.4 多分类器动态融合方法总结 |
| 3.3 本章小结 |
| 4 改进的KNORA-ELIMINATE-W动态融合算法 |
| 4.1 基于KNORA-ELIMINATE-W的动态融合算法 |
| 4.2 改进的KNORA-ELIMINATE-W动态融合算法框架 |
| 4.3 改进的KNORA-ELIMINATE-W动态融合算法描述 |
| 4.3.1 数据筛选规则 |
| 4.3.2 改进的KNORA-ELIMINATE-W动态融合算法流程 |
| 4.4 实验结果及分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 5 基于Stacking的融合算法 |
| 5.1 Stacking算法简介 |
| 5.2 Stacking算法框架 |
| 5.3 基于Stacking的混合算法 |
| 5.3.1 初始层算法的设计 |
| 5.3.2 次级层算法的选择 |
| 5.3.3 算法流程 |
| 5.4 实验结果及分析 |
| 5.4.1 实验环境 |
| 5.4.2 实验数据 |
| 5.4.3 实验过程描述 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 主要工作 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）多分类器选择性集成方法研究及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分类器集成的国内外相关研究 |
| 1.2.2 分类器选择性集成国内外研究现状 |
| 1.3 论文的主要工作及组织结构 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的组织结构 |
| 2 相关理论与方法 |
| 2.1 数据预处理 |
| 2.1.1 数据归一化处理 |
| 2.1.2 数据降维技术 |
| 2.1.3 数据不平衡处理方法 |
| 2.2 分类算法 |
| 2.2.1 SVM分类算法 |
| 2.2.2 KNN分类算法 |
| 2.3 遗传算法 |
| 2.3.1 遗传算法概述 |
| 2.3.2 GA算法运算流程组成 |
| 2.4 评价标准 |
| 2.5 本章小结 |
| 3 多分类器集成模型研究及应用 |
| 3.1 集成学习概述 |
| 3.2 典型集成算法 |
| 3.2.1 AdaBoost集成算法 |
| 3.2.2 Bagging算法 |
| 3.2.3 Stacking算法 |
| 3.3 多分类器集成模型构建 |
| 3.3.1 AdaBoost_SVM多分类器集成模型构建 |
| 3.3.2 Bagging_SVM多分类器集成模型构建 |
| 3.4 集成模型在实际生活中的应用 |
| 3.4.1 数据选取 |
| 3.4.2 实验描述 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 4 基于差异性和准确性的多分类器选择性集成模型研究及应用 |
| 4.1 多分类器选择性集成概述 |
| 4.1.1 选择性集成理论 |
| 4.1.2 多分类器选择性集成常用方法 |
| 4.2 基于GMDH的差异性个体构建 |
| 4.2.1 GMDH建模过程 |
| 4.2.2 GMDH算法流程 |
| 4.3 GMDH_GA多分类器选择性集成模型构建 |
| 4.3.1 基于GMDH产生差异基分类器阶段 |
| 4.3.2 基于GA选择性集成阶段 |
| 4.3.3 GMDH_GA选择性模型总体实现流程 |
| 4.4 选择性集成模型在实际生活中的应用 |
| 4.4.1 实验描述 |
| 4.4.2 结果分析 |
| 4.4.3 四种模型结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）集成学习及其在用户流失预测中的应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 创新点 |
| 1.4 论文的组织架构 |
| 2 集成分类器的相关理论 |
| 2.1 集成多分类器的基本概念 |
| 2.2 基分类器的构造 |
| 2.2.1 基于不同样本子集训练基分类器 |
| 2.2.2 基于不同属性子集训练基分类器 |
| 2.2.3 基于不同参数分类算法或不同类型分类算法训练基分类器 |
| 2.2.4 基于随机扰动的方法 |
| 2.3 基分类器的选择性集成方法 |
| 2.3.1 基于排序的基分类器选择方法 |
| 2.3.2 基于聚类的基分类器选择方法 |
| 2.3.3 基于搜索的基分类器选择方法 |
| 2.4 基分类器的融合 |
| 2.4.1 投票法 |
| 2.4.2 贝叶斯法 |
| 2.4.3 行为知识空间法BKS |
| 3 基于SSD和 AP聚类算法的特征选择方法 |
| 3.1 基于SSD(SCHWARTZ SEQUENTIAL DROPPING)的排序聚合算法 |
| 3.2 近邻传播聚类算法(AP) |
| 3.3 基于SSD和 AP聚类算法的特征选择方法 |
| 4 基于BQIGSA的选择性集成 |
| 4.1 BGSA |
| 4.2 BQIGSA |
| 4.3 基于BQIGSA的选择性集成方法 |
| 4.4 本章小结 |
| 5 电信用户流失预测分析 |
| 5.1 应用背景介绍 |
| 5.2 用户流失预测研究现状 |
| 5.3 数据预处理 |
| 5.4 模型设计 |
| 5.5 模型的评价标准 |
| 5.6 结果与分析 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A 学位论文数据集 |
| 致谢 |
（7）强震区地质灾害多源信息识别及发育特征研究 ——以叠溪松坪沟为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 强震诱发地质灾害研究现状 |
| 1.2.2 地质灾害多源信息识别研究现状 |
| 1.2.3 崩塌、滑坡易发性评价研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区地质背景 |
| 2.1 自然地理条件 |
| 2.1.1 地理位置 |
| 2.1.2 气象水文 |
| 2.2 地形地貌 |
| 2.3 地质构造 |
| 2.4 地震活动 |
| 2.4.1 历史地震 |
| 2.4.2 区域内主要强震 |
| 2.5 地层岩性 |
| 第3章 地质灾害多源信息识别 |
| 3.1 基于时序InSAR高位地质灾害识别 |
| 3.1.1 InSAR技术原理 |
| 3.1.2 多期数据获取和处理方法 |
| 3.1.3 研究区变形规律及地质灾害识别结果 |
| 3.2 基于无人机摄影技术地质灾害识别 |
| 3.2.1 无人机摄影技术 |
| 3.2.2 无人机低空摄影数据获取及处理 |
| 3.2.4 基于Go语言地质灾害识别 |
| 3.3 地质灾害地面调查 |
| 3.3.1 调查方法及内容 |
| 3.3.2 研究区地质灾害变形破坏特征 |
| 3.3.3 研究区典型地质灾害形成机理与变形破坏特征研究 |
| 3.4 多源信息融合强震区地质灾害识别 |
| 3.4.1 多分类器集成算法 |
| 3.4.2 多分类器融合 |
| 3.5 小结 |
| 第4章 研究区地质灾害发育特征与分布规律研究 |
| 4.1 概述 |
| 4.2 研究区地质灾害发育特征 |
| 4.2.1 边界与形态 |
| 4.2.2 数量与规模 |
| 4.2.3 堆积体堵江特征 |
| 4.3 研究区地质灾害分布规律 |
| 4.3.1 分布规律与地形关系 |
| 4.3.2 分布规律与地质构造关系 |
| 4.3.3 分布规律与地层岩性关系 |
| 4.3.4 分布规律与水系关系 |
| 4.3.5 分布规律与地震关系 |
| 4.4 小结 |
| 第5章 强震区地质灾害易发性评价指标体系构建 |
| 5.1 评价指标体系 |
| 5.1.1 指标选取及各指标对地质灾害发育影响分析 |
| 5.1.2 指标数据处理及单指标等级划分 |
| 5.1.3 指标权重确定 |
| 5.2 基于ARCGIS强震区地质灾害易发性评价方法 |
| 5.3 评价指标体系应用 |
| 5.3.1 实例选取 |
| 5.3.2 评价结果 |
| 5.4 震后地质灾害快速识别理论体系 |
| 5.5 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
（8）多分类器集成的遥感影像分类研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究进展 |
| 1.2.1 遥感影像分类方法 |
| 1.2.2 遥感影像多分类器组合方法 |
| 1.3 研究思路与方法 |
| 1.4 论文结构框架 |
| 1.5 本章小结 |
| 第二章 遥感影像分类原理及实验 |
| 2.1 单分类器影像分类原理 |
| 2.1.1 最小距离分类 |
| 2.1.2 最大似然分类 |
| 2.1.3 光谱角制图分类 |
| 2.1.4 神经网络分类 |
| 2.1.5 支持向量机分类 |
| 2.2 单分类器分类精度评价 |
| 2.2.1 分类精度的评价 |
| 2.2.2 分类精度的提高 |
| 2.3 单分类器分类实验 |
| 2.3.1 最小距离分类分类结果 |
| 2.3.2 最大似然法分类结果 |
| 2.3.3 马氏距离分类结果 |
| 2.3.4 光谱角制图分类结果 |
| 2.3.5 支持向量机分类结果 |
| 2.3.6 神经网络分类结果 |
| 2.4 单分类器分类精度分析 |
| 2.5 多分类器组合分类 |
| 2.5.1 多分类器集成原理 |
| 2.5.2 组合分类器的构建方法 |
| 2.5.3 多分类器融合理论 |
| 2.5.4 基于D-S理论的组合分类 |
| 2.5.5 基于随机森林的分类 |
| 2.5.6 多分类器差异性度量 |
| 2.5.7 多分类器集成分类实验 |
| 2.6 本章小结 |
| 第三章 遥感影像分类器组合设计与实验 |
| 3.1 基于投票法的多分类器组合分类 |
| 3.2 基于证据D-S理论的遥感影像分类 |
| 3.3 基于随机森林的遥感影像分类 |
| 3.3.1 随机森林分类影像分类步骤 |
| 3.3.2 随机森林分类实验 |
| 3.4 分类器组合设计 |
| 3.5 本章小结 |
| 第四章 遥感影像分类工具研制 |
| 4.1 工具设计 |
| 4.1.1 投票法分类器集成 |
| 4.1.2 证据D-S理论多分类器集成 |
| 4.2 工具实现 |
| 4.3 本章小结 |
| 第五章 案例研究 |
| 5.1 研究区概况 |
| 5.2 遥感数据选择与处理 |
| 5.2.1 影像镶嵌及裁剪 |
| 5.2.2 影像分类及解译 |
| 5.3 土地利用变化预测方法 |
| 5.3.1 CA-Markov模型 |
| 5.3.2 青海湖流域CA-Markov模型的构建 |
| 5.4 研究结果 |
| 5.4.1 2001年—2011年土地利用时空变化分析 |
| 5.4.2 青海湖流域2016年土地利用类型变化趋势预测分析 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要成果与结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士期间发表论文 |
（9）基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感多时相影像分类应用研究现状 |
| 1.2.2 遥感图像分类技术研究进展 |
| 1.2.3 多分类器集成相关研究进展 |
| 1.2.4 随机森林算法相关研究进展 |
| 1.2.5 指纹识别技术相关研究进展 |
| 1.2.6 目前研究存在的问题 |
| 1.3 论文研究思路和流程 |
| 1.4 论文主要研究内容 |
| 1.5 论文章节安排 |
| 第2章 研究数据与方法 |
| 2.1 研究区概况 |
| 2.2 研究数据获取及预处理 |
| 2.2.1 多时相影像获取及其特征 |
| 2.2.2 影像数据预处理 |
| 2.2.3 野外观测数据预处理 |
| 2.2.4 北部湾遥感影像分类体系 |
| 2.3 分类精度评价方法 |
| 2.3.1 生产者精度 |
| 2.3.2 用户精度 |
| 2.3.3 总体精度 |
| 2.3.4 Kappa系数 |
| 2.4 本章小结 |
| 第3章 基于稳定权重加权投票的多分类器融合算法 |
| 3.1 单分类器分类结果对比及多分类器融合提升潜力分析 |
| 3.2 基于多种模式投票的多分类器融合算法对比分析 |
| 3.2.1 基于多种模式投票的多分类器融合算法原理及流程 |
| 3.2.2 基于多种模式投票的多分类器融合对比分析 |
| 3.2.3 基于精度权值加权投票的多分类器融合算法的稳定性分析 |
| 3.3 基于稳定权重加权投票的多分类器融合算法 |
| 3.3.1 稳定权重值的算法 |
| 3.3.2 稳定权重值可能存在的问题 |
| 3.3.3 稳定权重值的修正算法 |
| 3.3.4 基于稳定权重加权投票的多分类器融合算法分类结果精度分析 |
| 3.4 基于稳定权重加权投票的多分类器迭代融合算法 |
| 3.4.1 多分类器迭代融合算法原理 |
| 3.4.2 多分类器迭代融合算法验证分析 |
| 3.5 本章小结 |
| 第4章 基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合分类算法 |
| 4.1 遥感图像分类算法结果影响因素分析 |
| 4.2 基于稳定性权重投票的多训练样本集分类结果融合算法 |
| 4.2.1 单个训练样本集分类局限性分析 |
| 4.2.2 多训练样本集分类结果融合分类算法 |
| 4.2.3 分类结果精度分析 |
| 4.3 基于稳定权重加权投票的多时相影像多分类器二重融合算法 |
| 4.3.1 单时相影像分类的局限性分析 |
| 4.3.2 多时相影像分类结果差异分析 |
| 4.3.3 多时相影像传统分类应用分析 |
| 4.3.4 多时相影像多分类器二重融合算法原理 |
| 4.3.5 分类结果分析 |
| 4.4 基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合分类算法 |
| 4.4.1 三重融合算法原理及流程 |
| 4.4.2 算法验证 |
| 4.4.3 算法分类精度提升效果分析 |
| 4.5 本章小结 |
| 第5章 基于像元图像指纹识别的多时相影像分类识别算法 |
| 5.1 指纹识别技术及其应用 |
| 5.2 基于像元图像指纹识别的多时相遥感图像分类算法构建 |
| 5.2.1 分类算法原理 |
| 5.2.2 分类算法流程 |
| 5.2.3 分类算法初次测试结果与精度分析 |
| 5.3 基于像元图像指纹识别的多时相遥感图像目标地物识别算法构建 |
| 5.3.1 识别算法原理 |
| 5.3.2 识别算法流程 |
| 5.3.3 识别算法初次测试结果及精度分析 |
| 5.4 分类与识别算法影响因素及精度提升分析 |
| 5.4.1 算法本身的影响分析及算法改进 |
| 5.4.2 多时相影像特征波段数量的影响分析 |
| 5.4.3 标准训练样本质量和数量的影响分析 |
| 5.5 分类与识别算法最终测试结果分析 |
| 5.5.1 分类算法最终测试结果与精度分析 |
| 5.5.2 识别算法最终测试结果分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 主要参考文献 |
| 附录: 算法部分源代码 |
| 附录A 基于精度权值加权投票模式的多分类器融合算法部分源代码 |
| 附录B 基于精度权值优选投票模式的多分类器融合算法程序部分源代码 |
| 附录C 基于稳定性权值加权投票的多分类器融合算法程序部分源代码 |
| 附录D 基于像元图像指纹识别的多时相遥感影像分类算法部分源代码 |
| 附录E 基于像元图像指纹识别的多时相遥感影像目标地物识别算法部分源代码 |
| 附表 |
| 附图 |
| 攻读学位期间参与的科研项目和研究成果 |
| 致谢 |
（10）动态集成学习算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 集成学习算法概述 |
| 2.1 集成学习的相关概念 |
| 2.2 集成学习算法的理论基础 |
| 2.2.1 集成有效的原因 |
| 2.2.2 误差—分歧分解 |
| 2.2.3 基分类器多样性 |
| 2.3 Bagging和 Boosting算法 |
| 2.3.1 Bagging算法 |
| 2.3.2 Boosting算法 |
| 2.4 选择性集成和动态集成 |
| 2.5 本章小结 |
| 第三章 梯度优化决策树的集成学习及其应用 |
| 3.1 问题的提出和相关研究 |
| 3.2 集成学习算法 |
| 3.2.1 多分类集成分类算法 |
| 3.2.2 算法设计 |
| 3.2.3 评价指标 |
| 3.2.4 用于对比的几种分类算法 |
| 3.2.5 ESHC算法的时间复杂度 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于相关度分析的动态集成学习 |
| 4.1 问题的提出和相关研究 |
| 4.2 基于相关度分析的动态集成学习算法 |
| 4.2.1 候选分类器排序 |
| 4.2.2 动态集成算法 |
| 4.2.3 DEBC算法的时间复杂度 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
四、多分类器组合及其应用（论文参考文献）
- [1]基于证据理论的分类器集成及其应用研究[D]. 方洁苑. 大连理工大学, 2021(02)
- [2]基于嵌入式Linux电力网关设计与用电异常行为分析[D]. 王星. 西安理工大学, 2020(01)
- [3]基于多源脑电数据融合的抑郁症识别模型构建方法研究[D]. 曲志雕. 兰州大学, 2020(01)
- [4]多分类器动态融合技术研究[D]. 姜弃疾. 四川师范大学, 2019(04)
- [5]多分类器选择性集成方法研究及其应用[D]. 吕晓宁. 大连海事大学, 2019(06)
- [6]集成学习及其在用户流失预测中的应用[D]. 李锦如. 重庆大学, 2019(12)
- [7]强震区地质灾害多源信息识别及发育特征研究 ——以叠溪松坪沟为例[D]. 习朝辉. 成都理工大学, 2019(02)
- [8]多分类器集成的遥感影像分类研究[D]. 雷浩川. 中国地质大学(北京), 2018(03)
- [9]基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究[D]. 申怀飞. 南京大学, 2018(09)
- [10]动态集成学习算法研究[D]. 王延斌. 河北工业大学, 2018(07)