利用证据神经网络的多分类器系统构造
为了充分利用数据信息进而提高分类正确率,提出一种证据神经网络的分类器,并据此构造了多分类器系统.首先将训练数据中的含混数据视为新类别——混合类,将原始的训练数据重组成含有混合类的训练数据,然后使用证据神经网络分类器系统用重组后含混合类的训练数据进行训练,对分类输出进行证据建模,并使用多种不同的证据组合规则实现多分类器融合.采用人工数据集和UCI数据集进行对比实验,结果表明:与其他采用神经网络的多分类器系统相比,采用证据神经网络的多分类器系统能有效提高分类正确率;在数据集Magic 04和Waveform2上,采用提出的多分类器系统比采用投票法的神经网络多分类器系统的分类正确率分别提高了6%和10%左右.
神经网络、多分类器系统、证据理论、信度函数
52
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61573275,61671370;国家“973计划”资助项目2013CB329405;中国电子科技集团公司航天信息应用技术重点实验室高校合作课题KX172600034
2018-12-21(万方平台首次上网日期,不代表论文的发表时间)
共8页
93-99,141