多规则adaboost算法及其应用研究

多规则adaboost算法及其应用研究

ID:35180735

大小:4.04 MB

页数:45页

时间:2019-03-21

多规则adaboost算法及其应用研究_第1页
多规则adaboost算法及其应用研究_第2页
多规则adaboost算法及其应用研究_第3页
多规则adaboost算法及其应用研究_第4页
多规则adaboost算法及其应用研究_第5页
资源描述:

《多规则adaboost算法及其应用研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、分类号:密级10151单位代码UDC:響乂綱乂學全日制学术型硕±研究生学位论文多规则Adaboost算法及其应用研究朱弘扬指导教师申请学位类别理学硕±学科(专业)名称数学学位授予单位大连海事大学2016年3月分类号密级UDC单位代码10151大连海事大学硕±学位论文多规则Adaboost算法及其应用研究朱弘扬指导教师刘巍职称教授学位授予单位大连海事大学申请学位类别理学硕±学科(专业)数学论文

2、完成日期2015年12月答辩日期2016年3月答辩委员会主席会mu-AdaBoosResearchonltiplerulettheoremandapplicationA化esisSubmitedt:oDalianMaritimeUniversityInartialfUl打llmentofthere山rementsforthedereeofpqgMasterofSciencebyZhuHonangygAliedMathematics(pp)T

3、hesisSuervisor;ProfessorLiuWeipMarch2016大连海事大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明:本论文是在导师的指导下,独立进行研巧工作所取得的成果,撰写""成硕±学位论文《规则AdaBoost算法及其应用研巧。除论文中已经注明引用的内容外,对论文的研究做出重要贡献的个人和集体,均已在文中W明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。学位论文作者签名:学位论文巧

4、权使用撇书本学位论文作者及指导教师完全了解大连海事大学有关保留、使用研究生学位论文的规定:,即大连海事大学有权保留并向国家有关部口或机构送交学位论文的复印件和电子版,允许论文被查阅和借间。本人授权大连海事大学可W将本学位论文的全部或部分内容编入有关数据库进行检索,也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。同意将本学位论文收录到《中国优秀博硕±学位论文全文数据库》(中国学术期刊(光盘版)电子杂志社)、《中国学位论文全文数据库》(中国科学技术信息研究所)等数据库中,并W电子出版物形式出版发行和提供信息

5、服务。保密的论文在解密后遵守此规定。本学位论文属于:保密□在年解密后适用本授权书。""不保密□(请在W上方框内打V)论文作名:芽导师签名:备>7/日期:屋年^月皆日中文摘要摘要随着实际生活中应用方面的需求急速扩大,基于航空航天的科学探测和天文观测、民用领域的视频监控、军事目标跟踪W及医学疾病诊断等方面的分类和识别问题,应运而生了许多优秀的算法,并在日益强大的计算机技术的帮助下得1^;实现。Boo一sting是种可W改善弱分类算法的通用方法,通过集成学习,把正确率较低的弱分类器结合成正确率

6、较高的强分类器。AdaBoost算法是Boosting算法的优秀代表,有着越发完善的理论基础和广泛的应用领域。AdaBoost弥补了Boosting算法有关弱分类器要预先知道其正确率下限的不足,实现了真正意义上对任何分类算法都可W提升其准确率的想法。文章首先分析了Boosting算法和AdaBoost算法的基本框架,为后续工作奠定了理一AdaBoos论基础,然后基于种新的弱学习算法,改进最优规则t,提出多规则AdaBoost算法。该算法在训练过程中首先标准化所有特征的持征值,然后根据每个特征和样本禄签么间

7、的规律性强弱,来反应个体的不同特征对分类的影响,并W此选取分类规则设定权重,提高算法的识辨率。这种弱分类算法更多的挖掘了特征值数据本身的价值,而不用对特征值数据进行更繁琐的处理和转换,这样就可W节约更多的时间和运行空间,因而在解决问题时更具有实用性。在UCI数据库中,选取了SPECIFHeart数据集,Ionosphere数据集和WineQuality数据集对该算法和改进前的算法进行了实验,通过稳定性和准确率等方面的比较,表明该算法有更优的训练和测试能力,从而证明多规则算法可1^^提高集成分类器的整体正确率

8、。关键词:AdaBoost;多规则,分类,弱学习g法,正痛牵,集巧学习英文摘要ABSTRACTWiththegrowingrequirementofthepracticalap

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。