18、拓扑保持地图的新型融合算法实验与分析

拓扑保持地图的新型融合算法实验与分析

1. 实验使用的集成训练算法

在相关实验中，使用了两种不同的集成训练算法，分别是Bagging和AdaBoost。
- Bagging ：这是一种简单且广泛使用的集成算法。其操作方式是在从同一数据源提取的不同数据集上训练相同的模型（可以是任何机器学习算法）。通常，这些数据集是通过对分析的数据集进行重复的自举重采样来模拟的，且每次重采样步骤都是完全独立进行的。
- AdaBoost ：基于与Bagging相同的理念，但试图通过获取先前训练模型的性能信息来改进后续模型（最初是分类器）的学习。当一个分类器完成训练后，会在训练数据集上评估其性能。这使得AdaBoost算法能够找出训练分类器性能较差的样本，并在训练下一个模型时特别关注这些样本。这样，分类器将被训练为在其他分类器表现不佳的特定区域表现良好，从而在作为一个整体工作时能更好地相互补充。

2. 拓扑保持地图的质量度量

为了比较WeVoS与其他类似算法的结果，使用了几种拓扑保持地图的质量度量方法：
| 质量度量方法 | 说明 |
| — | — |
| 失真度（Distortion） | 可以准确计算地图的整体拓扑保持情况，是WeVoS试图改进的主要特征之一，反映了其在该研究领域的重要性。 |
| 适应度（Goodness of Adaptation） | 衡量从数据集到地图网格的映射连续性以及地图表示数据集的准确性，是实验中使用的最通用的度量方法。 |
| 地形误差（Topographic Error） | 是最简单的拓扑保持度量方法之一，为了实