欢迎来到天天文库
浏览记录
ID:35181210
大小:3.65 MB
页数:67页
时间:2019-03-21
《基于近邻的多分类器选择集成分类方法及在号牌识别上应用的研究》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:TP393密级:公开UDC:004.7编号:10299Z1308010硕士学位论文基于近邻的多分类器选择集成分类方法及在号牌识别上应用的研究ResearchonEnsembleClassificationBasedonNearestNeighborMultipleClassifierSelectionandApplicationonLicensePlateRecognition指导教师沈项军副教授作者姓名蔡炜申请学位级别工程硕士专业名称计算机技术论文提交日期2016年04月论文答辩日期201
2、6年06月学位授予单位和日期江苏大学2016年06月答辩委员会主席评阅人独创性声明本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已注明引用的内容以外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果,也不包含为获得江苏大学或其他教育机构的学位或证书而使用过的材料。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名:年月日学位论文版权使用的授权书江苏大学、中国科学技术信息研究所、
3、国家图书馆、中国学术期刊(光盘版)电子杂志社有权保留本人所送交学位论文的复印件和电子文档,可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致,允许论文被查阅和借阅,同时授权中国科学技术信息研究所将本论文编入《中国学位论文全文数据库》并向社会提供查询,授权中国学术期刊(光盘版)电子杂志社将本论文编入《中国优秀博硕士学位论文全文数据库》并向社会提供查询。论文的公布(包括刊登)授权江苏大学研究生院办理。本学位论文属于不保密□√。学位论文作者签名:指导教师签名:年月日年月日江
4、苏大学专业硕士学位论文摘要基于多分类器方式的集成分类方法可提高模式分类的准确性,海内外学者也获得了不少的研究成果。但在如何构建自适应性强的多分类器选择方式,以及如何更好的利用多分类器的局部分类性能优势以提高集成分类的效果,仍然存在着不足之处。为了完善这些不足之处,在充分研究当前各多分类器集成分类方法研究现状的基础上,我们提出一种基于近邻的多分类器选择集成分类方法,并应用在号牌识别上。该方法针对分类器对不同的样本分类性能的差异,利用近邻度度量,对于不同的待测样本,动态的进行多分类器的选择,并根据动态选
5、择的多分类器进行集成分类,因此该方法能充分利用多分类器在不同样本上的局部分类优势,依据不同测试样本充分进行动态自调整的分类。实验效果证明此方法可以改善分类结果,且方法的稳定性好。根据上述研究内容,本文的主体工作如下:1.详细的陈述了多分类器集成分类的研究背景、目的及意义和国内外研究进展,多分类器集成分类的概念,基于SVM(SupportVectorMachine)的分类器,K近邻及其在集成分类中应用,以及经典的多分类器集成分类方法。2.提出了基于近邻的多分类器选择集成分类方法。该方法对于不同的待测样
6、本,动态的进行多分类器的选择,并依据动态选择后的多分类器进行集成分类,在madelon,svmguide1,w6a,ijcnn1开源数据集上实验证明了本方法的有效性。3.基于以上提出的方法,实现了基于近邻的多分类器选择集成的号牌字符识别算法,并基于此算法设计实现了车牌识别系统和集装箱号识别系统,实验证明该算法是能有效提高字符识别率,识别率提高约1-2%。关键词:局部近邻,多分类器选择,动态集成,集成分类,号牌识别I基于近邻的多分类器选择集成分类方法及在号牌识别上的应用ABSTRACTAlthough
7、theensembleclassificationofmulti-classifierprovedthatitcanimprovetheaccuracyofrecognitionclassification,andresearchersmademuchachievement,howtoconstructanadaptivemethodtoselectclassifiers,andhowtomakefulluseoftheadvantageoflocalcharacteristicofclassifi
8、ertoimprovetheperformanceofensembleclassificationarestilltheopenproblemstobesolved.Accordingtoaboveproblems,basedonfullunderstandingandanalysisofcurrentresearchstatusonclassifierensemblemethod,weproposedanewclassifierensemblemethodbased
此文档下载收益归作者所有