ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2012
103
Исследования качества предложенного алгоритма FuzzyBoost
проводились на моделях в виде двух групп данных с аддитивной и с
нелинейной разделяющими поверхностями между объектами двух
классов в 10-мерном пространстве признаков. Указанные модели бы-
ли разработаны и применены для исследования классических алго-
ритмов AdaBoost [17]. Полученные результаты свидетельствуют, что
в случае данных с аддитивной разделяющей поверхностью алгоритм
FuzzyBoost функционирует не хуже алгоритмов AdaBoost. Для дан-
ных с нелинейной разделяющей поверхностью рассмотренный алго-
ритм FuzzyBoost с двухаддитивными нечеткими мерами в отличие от
алгоритмов AdaBoost обеспечивает существенное уменьшение веро-
ятности ошибки (рисунок). В качестве слабых классификаторов ис-
пользованы пороговые классификаторы.
Выводы.
В данной статье предложена группировка существую-
щих методов и алгоритмов интеграции информации и рассмотрены
методы и алгоритмы мультиклассификации. Представлен новый ал-
горитм мультиклассификации FuzzyBoost, являющийся комбинацией
алгоритма AdaBoost и нечеткого интегрирования. Результаты экспе-
риментальных исследований показали, что предложенный алгоритм
имеет лучшую обобщающую способность, чем алгоритм AdaBoost в
случаях классов со сложными разделяющими поверхностями. Это
связано, в первую очередь, с учетом зависимостей между слабыми
классификаторами на каждой итерации бустинга и с построением не
линейной, как в алгоритме AdaBoost, а квазилинейной композиции
слабых классификаторов.
СПИСОК ЛИТЕРАТУРЫ
1.
Р а с с т р и г и н Л. А., Э р е н ш т е й н Р. Х. Метод коллективного распозна-
вания. М.: Энергоиздат, 1981. 80 с.
2.
Б а р а б а ш Ю. Л. Коллективные статистические решения при распознава-
нии. М.: Радио и связь, 1983. 224 с.
3.
H o T. K. Multiple Classifier Combination: Lessons and the Next Steps // In Hybrid
Methods in Pattern Recognition. World Scientific Publishing. 2002. P. 171–198.
4.
K u n c h e v a L. I. Combining Pattern Classifiers: Methods and Algorithms. John
Wiley & Sons, Inc., 2004. 350 p.
5.
R o s s A. A., N a n d a k u m a r K., J a i n A. K. Handbook of Multibiometrics.
Springer: Science+BusinessMedia, 2006. 198 p.
6.
H o r v i t z E., H e c k e r m a n D., L a n g l o t z C. P. A Framework for Compar-
ing Formalisms for Plausible Reasoning // In Proc. National Conf. on Artificial
Intelligence. Philadelphia, 1986. P. 210–214.
7.
B l o c h I. Information Combination Operators for Data Comparative Review
with Classification // IEEE Transactions on Systems, Man and Cybernetics. Part
A: Systems and Humans. 1996. Vol. 26. No. 1. P. 52–67.
8.
B o n i s s o n e P. P. Soft Computing: the Convergence of Emerging Reasoning
Technologies // Soft Computing. 1997. No. 1. P. 6–18.
9.
R u t a D., G a b r y s B. An Overview of Classifier Fusion Methods // Computing
and Information Systems. 2000. No. 7. P. 1–10.