自适应条件下的相邻区分精度SVM集成模型研究

在数据进行集成的实际过程当中,分类器往往具有自主性,会随着样本数据的变化对自己进行 适 当调整,以此来提高自己的适应能力。对此,本研究以在数据样本区域内对相邻数据进行区分 的方法进行SVM集成方法研究,并最终提出了一种切实可行地支持SVM进行集成的方式。即针 对区分的数据样本区域,以一种新的搜索算法进行研究,利用FCM与模糊贴近度的结合来进行 计 算,实现在模糊特征空间集合频域自身位置的自动确定,再根据各项分类器的阈值数据系统自 行 录用当中的优异数据结果。并最终形成个体分器的数据结果从而进行集合性判定。结果显 示。在减少区分判断用时的前提下,这样一种数据算法能够达到提升分类器功能的有效作用 ;所建立的SVM集成模型具备动态自主适应性。集成过程当中分类器的个数选取关键点在于 分类精度阀值的选取,据此可以通过最优阀值的选取以达到模型判别能力的极大提升。