А.В. Самородов
ОСОБЕННОСТИ ПОСТРОЕНИЯ
МУЛЬТИКЛАССИФИКАТОРОВ НА ОСНОВЕ
МЕТОДОВ ИНТЕГРАЦИИ РЕШЕНИЙ
Предложена группировка методов и алгоритмов интеграции информации, рассмотрены методы и алгоритмы интеграции информации
на уровне решений. <...> Представлен новый алгоритм мультиклассификации FuzzyBoost, реализующий метод нечеткого усиления. <...> Алгоритм
FuzzyBoost обеспечивает построение квазилинейной композиции и основан на алгоритме AdaBoost, дополненном вычислением нечеткого
интеграла вместо собственного линейного агрегационного правила
AdaBoost на каждой итерации бустинга. <...> Экспериментальные результаты показали, что в случае сложной разделяющей классы поверхности алгоритм FuzzyBoost имеет лучшую обобщающую способность, чем алгоритм AdaBoost. <...> В области распознавания образов классической задачей является создание и совершенствование отдельных методов и алгоритмов классификации. <...> Начиная с пионерских работ Л.А. Расстригина, Р.Х. Эренштейна и Ю.Л. Барабаша [1, 2] и преимущественно
в последние 10 лет, особое внимание в области распознавания образов стало уделяться не отбору признаков и построению одного лучшего решающего правила, а поиску наилучшего набора базовых
классификаторов и метода объединения их откликов [3, 4]. <...> В современной научно-технической литературе широко представлены различные методы объединения как откликов некоторого
набора классификаторов, так и информации о распознаваемом объекте. <...> В работах используются разные основания для группировки таких
методов и алгоритмов: по методам аппроксимации условных и априорных вероятностных распределений и видам дискриминантных
функций [4]; по уровню интеграции информации [5]; по свойствам
функций доверия [6]; по зависимости от контекстной информации <...> [7]; по модели неопределенности [8]; по виду объединяемых откликов базовых классификаторов [9]; по свойствам применяемых для
интеграции информации математических правил [10, 11] и др. <...> Для обеспечения возможности сравнительной <...>