基于元学习和叠加法的双层支持向量机算法
A Two-Stage Support Vector Machine Algorithm Based on Meta Learning and Stacking Generalization作者机构:中国科学院合肥智能机械研究所机器人感知与人机交互实验室合肥230031
出 版 物:《模式识别与人工智能》 (Pattern Recognition and Artificial Intelligence)
年 卷 期:2012年第25卷第6期
页 面:943-949页
核心收录:
学科分类:08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(No.61273324 31271412) 安徽省自然科学基金项目(No.1208085MF96)资助
主 题:集成学习 元学习 叠加法 双层支持向量机(TSSVM) 表面肌电(SENG)
摘 要:提出一种模式识别算法——双层支持量机算法,用来提高表面肌电识别精度.该算法融合集成学习中元学习的并行方法和叠加法的递进思想,把基本SVM分类器并行分布在第1层,第1层的预测结果作为第2层的输入,由第2层再进行分类识别,从而通过多层分类器组合来融合多源特征.以手臂表面肌电数据集为测试数据,采用文中的双层支持向量机,各肌肉的肌电信号分别输入基支持向量机,组合器融合各肌肉电信号特征,集成识别前臂肌肉群的肌电信号,从而实现运动意图的精确识别.实验结果显示,在预测精度上,此算法优于单个SVM分类器.在预测性能上(识别精度、耗时、鲁棒性),此算法优于随机森林和旋转森林等集成分类器.