31、动态集成选择与单类分类器模糊组合的研究

动态集成选择与单类分类器模糊组合的研究

在当今的模式识别领域，神经网络技术和模糊逻辑推理系统正受到越来越多的关注。同时，多分类器系统（MCSs）作为实现更高效、准确识别算法的重要途径，也备受瞩目。本文将深入探讨动态集成选择的概率方法以及单类分类器的模糊组合方法，并对其计算复杂度和预期空间复杂度进行分析。

动态集成选择的概率方法

在动态集成选择中，不同的系统在不同数据集上有着不同的表现。下面是使用异构/同构集成的多分类器系统（MCSs）的分类准确率表格：
| 数据库 | SB (1) | MV (2) | DES - CS (3) | DES - CD (4) |
| — | — | — | — | — |
| Breast C.W. | 95.39/94.99 | 96.45/95.99 | 98.03/96.18 | 98.05/96.22 |
| Biomed | 84.10/83.29 | 87.62/86.90 | 90.09/86.91 | 90.09/86.81 |
| Glass | 71.80/61.56 | 69.55/71.03 | 76.46/73.18 | 73.26/72.06 |
| Iris | 96.00/91.07 | 96.80/90.80 | 96.67/90.8 | 97.33/91.13 |
| Sonar | 74.48/70.19 | 76.44/76.06 | 82.29/77.12 | 81.52/77.12 |
| Ionosphere | 84.84/88.15 | 86.50/89.63 | 90.14/89.74 | 89.80/89.88 |
| 平均