贝叶斯分类器的集成学习方法及其在图像标注中的应用

《贝叶斯分类器的集成学习方法及其在图像标注中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第26卷第3期西南科技大学学报V01．26No．32011年9月JournalofSouthwestUniversityofScienceandTechnologyScp．2011贝叶斯分类器的集成学习方法及其在图像标注中的应用张华忠侯进秦雪肖然(西南交通大学信息科学与技术学院四川成都610031)摘要：针对贝叶斯(NaiveBayes，NB)分类器的集成学习方法，研究如何提高分类器集成中各成员分类器之间的多样性，同时提高分类器系统准确率。实现方法是把训练集的所有属性特征划分特征子集，并处理所划分的属性特征子集，最后为每个成员分类器构造出不同的完整特征

2、属性训练集。研究结果表明采用的NB集成方法(EnsembleofNaiveBayes，ENB)提高了分类性能，把ENB机器学习方法应用到自动图像标注中也获得了很好的效果。关键词：贝叶斯集成学习特征子集图像标注中图分类号：TP391．41文献标志码：A文章编号：1671—8755(2011)03—0053—06TheNaiveBayesClassifierEnsembleMethodandItsApplicationinImageAutomaticAnnotationZHANGHua—zhong，HOUJin，QINXue，XIAORan(Schoolo

3、fInformationScienceandTechnology，SouthwestJiaotongUniversity，Chengdu610031，Sichuan，China)Abstract：FortheNaiveBayesclassifierensemblemethod，theresearchconcentratesonproposinganen—sembleconstructionmethodwhichaimsathowtobuildaccurateanddiverseclassifier．Themainapproachconsistsinra

4、ndomlysplittingthefeaturesetofalltrainingdataintosubsetsandprocessingthedividedsubsets，finally，reconstructingafullfeaturesetforeachclassifierintheensemble．ExperimentsshowthatthemethodofENBimprovestheperformanceoftheclassifier．Finally，applyingENBforimageauto—marieannotationalsoha

5、sverygoodefect．Keywords：NaiveBayes；Ensemblemethod；Featuresubset；Imageannotation分类方法是机器学习、模式识别和数据挖掘等研ting方法对神经网络集成，都获得了较理想效果。由究的核心问题，它在图像识别、医疗诊断、自然语言处于集成学习能够提高学习系统的泛化能力，人们开始理等领域具有广泛应用。近年来，分类器集成学习将集成学习用于稳定的学习算法，其中，贝叶斯(Na—(EnsembleLearning)由于其在降低分类系统泛化误lyeBayes，NB)就是一种稳定的学习方法。Jiang

6、等差、简化分类器设计等方面的优良表现，逐渐成为机提出隐藏扩展的NB分类器，释放NB分类器的属性器学习新的研究方向。Boosting和Bagging族算法是条件独立性，提高了其分类性能。Rodriguze等提出分类器集成研究中两类最常用的实现方法。但Boos—了一种新的旋转森林集成方法，在特征集处理中引入ring和Bagging族算法主要用于不稳定的学习算法集了主成分分析法(PCA)，对非稳定算法集成已验证有成，如神经网络、决策树等。My¨J，Wang【2等用Bag—较好效果，同时，可借鉴用于稳定算法的集成。ging对决策树算法集成，Amorl，Isla

7、m等用Bos—本文针对NB集成方法(EnsembleofNaive收稿日期：2011—08一O1基金项目：高等学校博士学科点专项科研基金(2O090l84l2oo22)；中央高校基本科研业务费专项资金科技创新项目(SWJTUO9CX036)。作者简介：张华忠(1989一)，男，硕士。E—mail：zhz233@yeah．net。通讯作者：侯进(196一)，女，博士。E—mail：houjin_163@163．coin。万方数据西南科技大学学报第26卷Bayes，ENB)，重点研究如何提高分类器集成中各{W，W：，⋯，W}。令F表示：n个属性特征组成的集

8、成员分类器之间的多样性，以达到同时提高分类器合。令NB，NB：，⋯，NB表示：集成系统中所用的