基于MultiBoost 的集成支持向量机分类方法及其应用
CSTR:
作者:
作者单位:

河北师范大学物理科学与信息工程学院,石家庄050024.

作者简介:

李翔

通讯作者:

中图分类号:

TP29

基金项目:

国家自然科学基金项目(60974063, 61175059);河北省自然科学基金项目(F2014205115);河北省高等学校科学技术研究项目(Q2012053).


MultiBoost with SVM-based ensemble classification method and application
Author:
Affiliation:

School of Phycisis Science and Information Engineering,Hebei Normal University,Shijiazhuang 050024,China.

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对网络故障诊断中的模式识别问题, 提出一种基于多重提升(MultiBoost) 的优化支持向量机集成学习方法. 首先, 利用自适应的荷尔蒙调节遗传算法(HMGA), 对支持向量机基分类器进行建模参数优化; 然后, 通过构建MultiBoost 集成学习方法将多个基分类器集成, 建立以多分类器优化集成为核心的故障诊断系统. 实验结果表明, 所提出的方法在网络故障诊断中, 迭代次数少、建模时间短, 并且能够明显提高故障分类的准确率.

    Abstract:

    For pattern recognition in the network fault diagnosis, an optimal SVM ensemble learning method based on MultiBoost is proposed. Firstly, the parameters of SVM-base-classifier are optimized by using the adaptive hormone modulation genetic algorithm(HMGA). Then, multi-base-classifiers are integrated by using the MultiBoost algorithm. Finally, with multiple ensemble optimal classifiers as the core, the fault diagnosis system is established. Simulation results show that the proposed method can not only reduce the number of iteration and lower the computing cost, but also improve the fault diagnosis accuracy of the network fault diagnosis system.

    参考文献
    相似文献
    引证文献
引用本文

吕锋 李翔 杜文霞.基于MultiBoost 的集成支持向量机分类方法及其应用[J].控制与决策,2015,30(1):81-85

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2013-11-08
  • 最后修改日期:2014-04-19
  • 录用日期:
  • 在线发布日期: 2015-01-20
  • 出版日期:
文章二维码