基于杂交水稻算法的分类器权重优化研究

发布时间：2024-04-13 23:00

　　分类是机器学习最重要的任务之一。分类器的性能主要受结构和参数权重的影响。其中,参数权重的优化仍是一个难以求解的问题。为了增强分类算法的性能,许多参数权重的优化算法被提出。传统的优化方法例如梯度下降,仍有易陷入局部最优、收敛性差等不足。通常参数权重的优化需要在实数范围内搜索最优解,是一个计算复杂度非常高的问题。基于概率搜索机制的智能优化算法具有良好的寻优性能,如差分进化算法、粒子群优化算法等,已经成功用于该类问题的求解,然而该类问题仍未完全解决。作为一种新提出的智能优化算法,基于杂种优势理论的杂交水稻算法具有寻优速度快、搜索能力强的优点。因此,本文尝试将杂交水稻算法用于优化机器学习分类算法中出现的权重优化问题,以探索其在机器学习领域应用的潜力,主要工作如下:1.利用杂交水稻算法优化机器学习分类器的特征权重。本文提出了基于杂交水稻算法加权的K最近邻分类器和基于杂交水稻加权的朴素贝叶斯分类器,并进行了原始分类器和基于智能优化算法改进的分类器的对比实验,结果表明通过杂交水稻算法杂交、自交的育种机制对K最近邻算法和朴素贝叶斯算法的特征权重进行寻优,训练出了性能更佳的分类器。2.将杂交水稻算法用于...

【文章页数】：97 页

【学位级别】：硕士

【部分图文】：

图3.1部分遥感图像：（a）居民地（b）林区（c）水域（d）田地

reastCancer”、“Sonar”、“Phishing”以及“ImageSegmentation”，每个特征数、实例数以及类别数见表3.1。遥感图像数据集主要由四类图像组为居民地、林区、水域以及田地，提取了22个特征，共684条数据。部据如图3.1所示。为了提....

图4.3KNN、NaiveBayes、SMO、J48、MLP、简单投票和基于杂交水稻算法加权的分类器集成算法（HROWCE）在数据集“BreastCancer”上的实验结果对比图

图4.3KNN、NaiveBayes、SMO、J48、MLP、简单投票和基于杂交水稻算法加权的分类器集成算法（HROWCE）在数据集“BreastCancer”上的实验结果对比图

图4.4KNN、NaiveBayes、SMO、J48、MLP、简单投票和基于杂交水稻算法加权的分类器集成算法（HROWCE）在数据集“Sonar”上的实验结果对比图

图4.3KNN、NaiveBayes、SMO、J48、MLP、简单投票和基于杂交水稻算法加权的分类器集成算法（HROWCE）在数据集“BreastCancer”上的实验结果对比图

图4.5KNN、NaiveBayes、SMO、J48、MLP、简单投票和基于杂交水稻算法加权的分类器集成算法（HROWCE）在数据集“Phishing”上的实验结果对比图

图4.5KNN、NaiveBayes、SMO、J48、MLP、简单投票和基于杂交水稻算法加权的分类器集成算法（HROWCE）在数据集“Phishing”上的实验结果对比图

本文编号：3953751