动态模糊密度的多分类器融合算法

sugarbabysu

摘要:在分析现有模糊密度计算方法的基础上,本文从分类器的隶属度分布和输出一致性两方面探索计算模糊密度的新方法,提出一种基于决策信任度和支持度的动态模糊密度赋值方法,旨在根据各分类器识别具体目标时输出的客观信息,实时地刻画分类器在融合系统中的可靠性.在表情识别上的实验结果表明,本文方法可以有效提高模糊积分融合的决策性能,降低单分类器输出不可靠决策信息的干扰,是一种有效的多分类器融合方法.


6 K& B  ~3 n* Q3 M2 Z" |关键词:多分类器融合;模糊积分;模糊密度;表情识别

! h* x* @' v0 A8 k( m  v& d7 U

2 Y% W" q5 z# ~; Y, J       多分类器融合能够充分发挥各分类器的优势,目前已成为改善分类系统泛化能力和提高鲁棒性的重要手段之一.模糊积分是一种决策层融合方法,与贝叶斯推理和D-S证据理论相比,避免事先给定先验知识的局限,且不需要证据完全独立,因此成为多分类器融合领域的研究热点.应用模糊积分的关键是如何求取描述分类器可靠性的模糊密度.目前模糊密度的确定方法大致可分静态和动态两种,静态方法主要是基于训练数据学习得到,如利用混淆矩阵法和遗传算法等方式,融合过程中,模糊密度始终不变.而在实际识别时,训练条件和识别条件不可能完全一致,无法保证分类器的重要性维持不变.动态方法则根据分类器实际输出中包含的动态信息,对模糊密度做出实时调整.
0 s2 ^! Y$ r( f1 u5 [/ n7 K
( y) O$ v- B; r
7 x- F& ~( `$ D+ h/ G1 H1 N& C
$ h& e) w: M4 H: ]. B3 s( b
1 |4 ?# H) x% k; Y% O; f) \& ^

游客，如果您要查看本帖隐藏内容请回复

& y3 o! ?$ Z# F

- p3 y! s# s+ s8 f# s& M
5 h% u& B! b/ r. g* O; U

modengxian111

多分类器融合能够充分发挥各分类器的优势