原文传递
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
| 论文题名： | 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 |
| 关键词： | 局部近邻;多分类器选择;动态集成分类;车牌识别;字符识别率 |
| 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（Support Vector Machine)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％。 |
| 作者： | 蔡炜 |
| 专业： | 计算机技术 |
| 导师： | 沈项军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
