基于软概率的分类器动态集成方法研究
发布时间：2023-04-25 02:13
集成学习通过训练多个学习器来解决同一个问题,其泛化能力和稳定性往往要优于单一的学习器,因此受到广泛的关注。分类器集成方法,集成学习的主要研究方向,被广泛应用于解决经济管理、工程管理、医学诊断等领域的分类问题,如个人信用评估、企业财务危机预警、系统故障检测、医学诊断等。一个有效的分类器集成方法,能够帮助金融机构预测客户的违约率,降低财务风险;能够帮助工程管理人员尽早发现故障,及时制定维修计划;能够帮助医护人员进行智能判断,尽快制定治疗方案。随着经济的发展、自然环境的变化和科学技术的进步,人们对分类器集成方法的泛化能力和稳定性要求越来越高。本文在全面介绍分类器集成选择方法、分类器动态集成选择、分类器动态加权集成方法研究现状的基础上,分析已有研究存在的局限性,结合D-S证据理论、模糊软集合、马尔科夫链、软概率等理论,提出相应的解决方案,有效提高分类器集成方法的分类性能。主要研究内容包括三个方面:第一,基于模糊软集合和D-S证据理论的分类器集成选择方法研究。随着大数据时代的到来,用于训练基分类器的样本量越来越大,学习算法的计算和存储开销越来越大,为分类器集成方法的构建带来沉重的计算负担。为了解...
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 研究背景与问题
1.2 研究目的与意义
1.2.1 研究目的
1.2.2 研究意义
1.3 研究内容、研究方法与技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 技术路线
1.4 创新之处
2 文献综述
2.1 分类器动态集成方法研究现状
2.1.1 分类器动态集成方法的界定
2.1.2 分类器集成选择方法研究现状
2.1.3 分类器动态集成选择方法研究现状
2.1.4 分类器动态加权集成方法研究现状
2.2 软集合及其相关理论研究现状
2.2.1 软集合及其扩展理论研究现状
2.2.2 软概率研究现状
2.3 马尔科夫链和D-S证据理论研究现状
2.3.1 马尔科夫链研究现状
2.3.2 D-S证据理论研究现状
3 基于模糊软集合和D-S证据理论的分类器集成选择方法研究
3.1 问题分析
3.2 模糊软集合和D-S证据理论
3.2.1 模糊软集合
3.2.2 D-S证据理论
3.3 基于模糊软集合和D-S证据理论的分类器集成选择模型
3.3.1 基分类器生成
3.3.2 选择标准确定
3.3.3 分类器集成选择
3.4 样本数据及实验设计
3.4.1 样本和数据
3.4.2 基分类器和对比模型的选择
3.4.3 评价标准
3.5 实验结果及对比分析
3.5.1 分类性能和多样性对比分析
3.5.2 统计检验
3.5.3 实验结果总结
3.6 本章小结
4 基于马尔科夫链的分类器动态加权集成方法研究
4.1 问题分析
4.2 基于马尔科夫链的分类器动态加权集成模型
4.2.1 训练基分类器并分别对验证集和测试集中的样本进行分类
4.2.2 确定测试集样本的动态加权集成器
4.2.3 将测试集样本的分类结果进行加权集成
4.3 样本数据及实验设计
4.3.1 样本和数据
4.3.2 基分类器和对比模型的选择
4.3.3 评价标准
4.4 实验结果及对比分析
4.4.1 实验结果
4.4.2 统计检验
4.5 本章小结
5 基于软概率的分类器动态集成方法研究
5.1 问题分析
5.2 软概率
5.3 基于软概率的分类器动态集成模型
5.3.1 基本DECSP模型
5.3.2 DECSP在个人信用评估领域的应用
5.3.3 改进的DECSP模型
5.4 样本数据与实验设计
5.4.1 样本和数据
5.4.2 基分类器和对比模型的选择
5.4.3 评价标准
5.5 实验结果及对比分析
5.5.1 实验结果
5.5.2 统计检验
5.6 本章小结
6 结论与展望
6.1 研究结论
6.2 下一步工作
致谢
参考文献
附录
A 攻读博士学位期间发表和录用论文
B 目前已投稿件
C 攻读博士学位期间参加的主要科研项目
本文编号：3800495
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 研究背景与问题
1.2 研究目的与意义
1.2.1 研究目的
1.2.2 研究意义
1.3 研究内容、研究方法与技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 技术路线
1.4 创新之处
2 文献综述
2.1 分类器动态集成方法研究现状
2.1.1 分类器动态集成方法的界定
2.1.2 分类器集成选择方法研究现状
2.1.3 分类器动态集成选择方法研究现状
2.1.4 分类器动态加权集成方法研究现状
2.2 软集合及其相关理论研究现状
2.2.1 软集合及其扩展理论研究现状
2.2.2 软概率研究现状
2.3 马尔科夫链和D-S证据理论研究现状
2.3.1 马尔科夫链研究现状
2.3.2 D-S证据理论研究现状
3 基于模糊软集合和D-S证据理论的分类器集成选择方法研究
3.1 问题分析
3.2 模糊软集合和D-S证据理论
3.2.1 模糊软集合
3.2.2 D-S证据理论
3.3 基于模糊软集合和D-S证据理论的分类器集成选择模型
3.3.1 基分类器生成
3.3.2 选择标准确定
3.3.3 分类器集成选择
3.4 样本数据及实验设计
3.4.1 样本和数据
3.4.2 基分类器和对比模型的选择
3.4.3 评价标准
3.5 实验结果及对比分析
3.5.1 分类性能和多样性对比分析
3.5.2 统计检验
3.5.3 实验结果总结
3.6 本章小结
4 基于马尔科夫链的分类器动态加权集成方法研究
4.1 问题分析
4.2 基于马尔科夫链的分类器动态加权集成模型
4.2.1 训练基分类器并分别对验证集和测试集中的样本进行分类
4.2.2 确定测试集样本的动态加权集成器
4.2.3 将测试集样本的分类结果进行加权集成
4.3 样本数据及实验设计
4.3.1 样本和数据
4.3.2 基分类器和对比模型的选择
4.3.3 评价标准
4.4 实验结果及对比分析
4.4.1 实验结果
4.4.2 统计检验
4.5 本章小结
5 基于软概率的分类器动态集成方法研究
5.1 问题分析
5.2 软概率
5.3 基于软概率的分类器动态集成模型
5.3.1 基本DECSP模型
5.3.2 DECSP在个人信用评估领域的应用
5.3.3 改进的DECSP模型
5.4 样本数据与实验设计
5.4.1 样本和数据
5.4.2 基分类器和对比模型的选择
5.4.3 评价标准
5.5 实验结果及对比分析
5.5.1 实验结果
5.5.2 统计检验
5.6 本章小结
6 结论与展望
6.1 研究结论
6.2 下一步工作
致谢
参考文献
附录
A 攻读博士学位期间发表和录用论文
B 目前已投稿件
C 攻读博士学位期间参加的主要科研项目
本文编号：3800495
本文链接：https://www.wllwen.com/jingjifazhanlunwen/3800495.html
