检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于构造性覆盖算法的三支决策模型

基于构造性覆盖算法的三支决策模型

作者：邢航安徽大学

学位级别：硕士

三支决策理论起初是为了解释粗糙集三个区域而提出。具体点说,粗糙集的正域、边界域和负域可以分别看成在一个三支决策中的接受区域、不承诺区域和拒绝区域。三支决策理论比传统二支决策多了一个不承诺选择。目前的三支决策理论的研究... 详细信息

三支决策理论起初是为了解释粗糙集三个区域而提出。具体点说,粗糙集的正域、边界域和负域可以分别看成在一个三支决策中的接受区域、不承诺区域和拒绝区域。三支决策理论比传统二支决策多了一个不承诺选择。目前的三支决策理论的研究主要是基于粗糙集的三支决策理论,而其中最具有代表性的是决策粗糙集理论模型(Decision Theoretic Rough Set Model, DTRSM),由姚一豫等在1990年提出。二十几年来,DTRSM被引入到各个学科和领域,取得了很大的成效。目前,基于决策粗糙集的三支决策模型仍存在需要进一步完善的问题：一、在该模型中,三个域的形成由一对阈值α,β来决定,阈值α,β由损失函数计算得到,而损失函数由专家或者人的经验给定,具有很大的主观性;二、该模型只是将样本划分到三个域,并没有对边界域中的样本做进一步的处理。本文主要将构造性覆盖算法(Constructive Covering Algorithm, CCA)引入到三支决策中,提出了基于构造性覆盖算法的三支决策模型。该模型可以根据样本的分布特征自动形成三个域。相比于基于决策粗糙集的三支决策模型,基于构造性覆盖算法的三支决策模型不必人为决定关键参数,能自动形成三个域,使得如何获得DTRSM中损失函数λ、阈值α,β的取值问题得以解决。另外在基于该模型提出的基础上,对于划分到边界域中的样本,本文给出了两种处理方法：处理全部的边界域样本和处理部分边界域样本。本文的主要工作包括：1.本文介绍了三支决策理论的发展历程,详细的描述了现有三支决策模型的优缺点。对三支决策理论的研究现状进行了分析,并将构造性覆盖算法引入到三支决策中,提出了基于构造性覆盖算法的三支决策模型。该模型根据样本的分布特征自动形成三个域,不需要人为给定参数。我们介绍了该模型如何自动形成三个域,并给出了根据这三个域如何划分样本的方法。实验是在两类和多类样本的数据集上进行了对比实验。实验结果表明,与目前的基于决策粗糙集的三支决策模型相比,基于构造性覆盖算法的三支决策模型的分类正确率更高,效果更好。同时这也为三支决策理论提供了一个新的形成三个域的解决思路。2.在提出基于构造性覆盖算法的三支决策模型基础上,本文对于落入边界域中的样本,提出了两种决策方案,一种为处理全部的边界域样本方法,即处理边界域样本是按照某种原则进行划分。本文给出了距覆盖中心最近、距覆盖边界最近、万有引力三种原则。另一种为处理部分的边界域样本方法,即只对满足一定条件的边界域样本做进一步的划分,使不满足一定条件的边界域样本仍保留在边界域。这样做的目的是只处理相对容易被区分的样本,而那些相对难被区分的样本暂时不处理。这样提高了边界域样本处理的正确率。本文用十交叉法在五组数据集上对这两种决策方案做了对比。实验结果表明,处理部分边界域样本时正确率更高,效果更好。

关键词：三支决策构造性覆盖算法边界域样本处理决策粗糙集

基于构造性覆盖算法的不平衡数据过采样分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于构造性覆盖算法的不平衡数据过采样分类方法研究

作者：吴增宝安徽大学

学位级别：硕士

随着信息技术的快速发展,如何从各个领域产生和存储的大量数据中提取有价值的信息已经成为巨大的挑战。在很多领域中,对人们有用的数据往往非常稀少,这种某类样本数量远远大于其他类样本数量的数据集称为不平衡数据集。不平衡数据分类... 详细信息

随着信息技术的快速发展,如何从各个领域产生和存储的大量数据中提取有价值的信息已经成为巨大的挑战。在很多领域中,对人们有用的数据往往非常稀少,这种某类样本数量远远大于其他类样本数量的数据集称为不平衡数据集。不平衡数据分类问题是数据挖掘领域的一个重要分支。传统的机器学习分类算法都是以总体分类精度为学习目标,在不平衡数据集分类效果上表现欠佳,不平衡数据分类算法就需要寻求新的分类方法和判别准则,所以对不平衡数据分类算法的研究逐渐成为备受关注的课题。目前,解决不平衡数据分类问题的方法主要从两个层面,分别是数据集层面上的数据重采样方法以及算法层面上设计较好的分类算法。数据重采样方法的主要思想是通过一些机制改变原始数据中样本的比例,得到数据的均衡分布,从而使用于传统的机器学习分类算法,该类算法的分类结果与数据分布情况密切相关,常见的策略包括过采样技术和欠采样技术。算法层面上是通过设计分类算法来较好的处理不平衡数据集。除此之外,对于数据集层面与算法层面相结合的方法也得到一定程度上的重视,即混合方法。混合方法的主要思想是对不平衡数据集先进行某种数据集层面上的采样方法后再进行算法层面上的处理。本文从数据集层面对不平衡数据集分类问题进行研究,首先介绍了不平衡数据分类中的难点与其主要存在的问题,然后简述了现有的经典的不平衡数据分类算法,分析他们的主要思想及其优缺点。根据前面提到的思想和难点,本文主要从两个方面的进行研究:1、本文首先介绍一种基于构造性覆盖算法(CCA)神经网络的不平衡数据过采样方法(根据覆盖内样本个数的CCA-SMOTE1和根据覆盖内样本密度的CCA-SMOTE2),CCA-SMOTE1方法的主要思想为对不平衡数据集进行CCA形成覆盖,针对少数类形成的覆盖,利用少数类样本形成覆盖内的样本个数进行筛选少数类样本。CCA-SMOTE1方法与CCA-SMOTE2主要的区别在于筛选少数类样本使用的是少数类样本形成覆盖的密度。该过采样方法从两个不同的角度挖掘少数类中容易被误分的样本,重点阐述了如何利用构造性覆盖算法神经网络挖掘少数类中处于分类超平面附近容易被误分的样本。在CCA-SMOTE1和CCA-SMOTE2中,根据CCA提供两种策略用于获取少数类中用于SMOTE过采样的样本。2、上述两种策略在挖掘少数类中用于过采样的关键样本是二支的,不能很好地排除噪声样本的干扰。针对上述问题,在上述基础上结合三支决策思想挖掘少数类中用于SMOTE过采样的样本,本文提出一种基于CCA的三支决策集成过采样方法(CTDE),CTDE方法主要思想是利用CCA与三支决策筛选少数类中容易被误分的样本,考虑到CCA选择覆盖中心的随机性,采用集成学习的思想解决随机性,通过投票方式确定最终类别。

关键词：不平衡数据分类构造性覆盖算法集成学习三支决策 SMOTE

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于覆盖算法的多示例学习研究

基于覆盖算法的多示例学习研究

作者：张恒安徽大学

学位级别：硕士

传统的机器学习主要包括监督学习、无监督学习和强化学习等,在这些学习框架中,一个样本对应一个确定的标记。而在很多实际问题中,待分类样本的标记是不明确的,从而出现一个新的学习框架——多示例学习(Multi-Instance Learning, MIL),... 详细信息

传统的机器学习主要包括监督学习、无监督学习和强化学习等,在这些学习框架中,一个样本对应一个确定的标记。而在很多实际问题中,待分类样本的标记是不明确的,从而出现一个新的学习框架——多示例学习(Multi-Instance Learning, MIL),该学习方法已逐渐成为机器学习领域的研究热点。该框架起源于药物分子活性的预测,学习的样本是由多个示例组成的包,包的标记已知,而包中的示例标记是未知的。如果一个包至少包含一个正示例,那么这个包称为正包,如果包中的示例均为反示例,称该包为反包。但是由于正包中含有的大量的假正例,即正包是具有歧义的对象,不能直接对其进行处理,从而增加了多示例学习的难度。由于正包的标记是由包中的正示例决定,因此若能从正包中选出正示例,排除其中的假正例,则会提高包分类的精度。目前已有很多类似的算法,但是很多算法提取的示例很难有效代表训练包,而且这些算法均未考虑提取的示例的重要程度。若一个示例ai周围分布较多的同类示例,则该示例的重要程度较大,因为随机测试一个示例,该示例则以较大概率落入ai周围,很可能与ai是同类别的示例,即可认为ai示例的代表性更强,应首先将其选出。本文研究的重点在于如何利用构造性覆盖算法(Constructive Covering Algorithm, CCA)的聚类特性,找到一个能有效提取代表性的示例的方法。本文提出基于构造性覆盖算法进行示例提取的多示例学习算法,即T-MilCa算法和M-MilCa算法,分别对应未考虑示例重要度和以覆盖的示例数作为示例的重要度的多示例学习算法,上述2个算法的思想主要是利用最大Hausdorff距离从正包中选出若干初始代表性的正示例,然后利用构造性覆盖算法对反包中的示例构造覆盖后进行反测试来排除正包中的假正例,更新初始选出的正示例,再利用构造性覆盖算法选出反示例中具有代表性的示例,最后使用一个相似度函数将每个包转为单示例,并使用构造性覆盖算法对转换后的单示例进行学习和分类。本文的主要研究内容如下：1.介绍了多示例学习研究背景和研究现状以及多示例学习的应用领域和目前该研究领域存在的障碍。2.详细介绍多示例学习的相关概念及其与传统学习方法的区别,分析几种经典的多示例学习算法的思想,指出多示例学习的难点和现有算法的不足之处,最后简要介绍构造性覆盖算法的主要思想及其训练和测试过程,以及分析如何将构造性覆盖算法应用到多示例学习中。3.将最大Hausdorff距离和构造性覆盖算法应用于多示例学习中,提出基于示例提取的多示例学习算法T-MilCa算法,该方法未考虑提取的示例重要度,利用欧式距离不断排除正包中的假正例,在标准麝香分子和Corel图像数据集上进行实验证明算法的有效性。4.对T-MilCa算法进行改进,引入构造性覆盖算法中覆盖的示例数衡量提取的示例的重要程度,提出基于示例重要度的M-MilCa算法,同样在两类麝香分子数据集和Corel图像数据集进行实验,结果表明该方法不仅能减少提取的示例个数,在准确度方面也能与现有的较好的多示例算法相媲美。

关键词：机器学习多示例学习构造性覆盖算法示例提取相似度函数

基于构造性覆盖的不平衡数据欠采样分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于构造性覆盖的不平衡数据欠采样分类方法研究

作者：刘瑞清安徽大学

学位级别：硕士

随着互联网技术的快速发展,机器学习分类已广泛应用于日常生活的多个领域。分类算法通过对已有的数据进行分析并且建立模型,从而对未知数据进行预测。目前,已经有了很多成熟的分类算法,比如支持向量机、决策树、神经网络等,这些算法大... 详细信息

随着互联网技术的快速发展,机器学习分类已广泛应用于日常生活的多个领域。分类算法通过对已有的数据进行分析并且建立模型,从而对未知数据进行预测。目前,已经有了很多成熟的分类算法,比如支持向量机、决策树、神经网络等,这些算法大多是针对平衡数据集而设计的。但是,在实际应用中,数据集大多都是不平衡的。这些分类算法在对不平衡数据进行分类时,往往比较注重数据集整体的分类准确率,而少数类样本的分类准确率比较容易被忽略。如何在保证不平衡数据整体分类准确率的同时,提高少数类样本的分类准确率是亟待解决的问题。当前对不平衡数据分类的研究方法主要从数据集和算法的层面考虑。在数据集的层面,过采样方法通过增加样本信息来提升不平衡数据的分类准确率,欠采样方法通过删除多数类样本来加强分类算法对少数类样本的关注。大量研究表明,这些方法都可以在一定条件下提高少数类样本的分类精度,但都存在对不平衡数据集中的样本分布考虑不足的问题。鉴于此,本文从数据集层面考虑,对如何利用样本的空间分布信息来提升不平衡数据的分类性能进行研究,主要研究内容总结如下:(1)提出了基于构造性覆盖(Constructive Covering Algorithm,CCA)的数据清洗方法(SMOTE+CCA)。首先使用合成少数类过采样技术(Synthetic minority oversampling technique,SMOTE)对不平衡数据集进行过采样处理,然后借助CCA挖掘容易被误分类的样本,最后提出一种成对删除策略对SMOTE采样后生成的平衡数据集进行数据清洗。该方法对SMOTE进行改进,挖掘并删除数据集中的重叠和噪声样本,降低数据集的复杂程度,达到提升分类精度的目的。最后通过实验验证该方法的有效性。(2)提出了基于构造性覆盖的欠采样方法(Spatial Distribution-based Imbalanced Undersampling,SDUS)。首先使用CCA挖掘样本的空间分布信息,形成多个空间邻域,在此基础上提出两种样本选择策略(基于多样性的方法SDUS和基于余弦相似度的方法SDUS)。SDUS使用加权随机采样的方法,在每一个多数类的空间邻域中挑选样本。SDUS基于余弦相似度计算样本之间的相似性,将每一个空间邻域划分成四个部分,根据四个部分中样本的密度选择样本。最后结合集成学习技术对采样之后的数据集进行训练,并通过实验验证该方法的有效性。

关键词：不平衡数据分类过采样欠采样构造性覆盖算法

基于不均衡数据集与客户细分的电信用户流失预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于不均衡数据集与客户细分的电信用户流失预测

作者：伍书平重庆邮电大学

学位级别：硕士

随着互联网的普及和深化,市场日益饱和,企业很难再延续以往通过吸引新客户来扩大市场份额的经验。一方面是在逐渐饱和的市场,企业发展和吸纳新客户成本较大;另一方面,企业也需要寻找新的发展模式,完成从用户量增长到服务质量提高的转变... 详细信息

随着互联网的普及和深化,市场日益饱和,企业很难再延续以往通过吸引新客户来扩大市场份额的经验。一方面是在逐渐饱和的市场,企业发展和吸纳新客户成本较大;另一方面,企业也需要寻找新的发展模式,完成从用户量增长到服务质量提高的转变。因此,维护存量客户防止流失已然成为企业重点关注的核心。论文面向电信客户流失预测场景,先提出基于LASSO和构造性覆盖算法(Constructive Covering Algorithm,CCA)的不均衡数据预测方法L-CCASmote,再进一步结合客户细分对电信客户做流失预测,并分别在公开的数据集与脱敏电信数据集上进行实验验证。论文的主要工作如下:1.针对客户数据严重不均衡、特征空间信息杂乱、特征间存在共线性等问题,提出基于LASSO回归和CCA的不均衡数据预测方法L-CCASmote。该方法先通过LASSO回归提取流失用户特征以优化模型输入,再建立CCA神经网络构造符合样本整体分布的覆盖,进一步提出单样本覆盖策略、样本多样性策略和样本密度峰值策略进行混合采样以平衡数据。LASSO特征选择方法通过与添加L1惩罚项的特征选择、添加L2惩罚项的特征选择以及不做特征选择三种方法进行对比实验,结果表明LASSO特征选择方法在提高模型预测分类能力方面效果更好;L-CCASmote方法通过与SMOTE-Enn、SMOTE-Tomek、Borline-SMOTE、自适应合成采样(Adaptive synthetic sampling,Adasyn)和单边采样(One-Sided Selection,OSS)等五种平衡算法分别在逻辑回归和支持向量机两个分类算法上进行实验验证,结果表明,L-CCASmote平衡数据方法在提高模型流失客户识别率和预测分类能力方面效果更好。2.对于企业来说,客户拥有不同的价值,这些差异反映在样本特征上,也体现在企业客户关系管理决策的资源配置上。为此,进一步提出基于客户细分与L-CCASmote的电信客户流失预测方法。该方法建立了包含10维特征的电信客户价值评价体系,并运用优化的K-means聚类算法、结合主成分分析将客户划分成高、中、低三类价值群体,再运用L-CCASmote方法对每类价值数据集做平衡处理,最后在各价值类平衡后的数据集上和未做客户细分处理的数据集上进行预测实验对比,结果表明基于客户细分的预测方法整体上提高了流失客户识别率。研究工作表明,基于客户细分与L-CCASmote的电信客户流失预测方法,不仅能有效预测出有流失倾向的客户,也能降低不同价值客户群体下的流失规则不同对预测结果的影响,从而提高预测准确率,具有重要的实践意义。

关键词：客户流失预测不均衡数据预测客户细分套索回归构造性覆盖算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种优化覆盖中心的三支决策模型

山东大学学报（理学版） 2017年第3期52卷 105-110页

作者：刘国涛张燕平徐晨初安徽大学计算机科学与技术学院安徽合肥230601 安徽大学计算机智能与信号处理教育部重点实验室安徽合肥230601

三支决策理论是传统二支决策上的拓展,具有三种决策规则,即接受、拒绝和不承诺。三支决策广泛适用于不确定或不完整信息的处理。基于覆盖算法的三支决策模型能够自动确定三个域,但是,传统覆盖算法的覆盖中心选取是个不可控的随机过程,... 详细信息

三支决策理论是传统二支决策上的拓展,具有三种决策规则,即接受、拒绝和不承诺。三支决策广泛适用于不确定或不完整信息的处理。基于覆盖算法的三支决策模型能够自动确定三个域,但是,传统覆盖算法的覆盖中心选取是个不可控的随机过程,单次实验的精度无法保证。因此,本文提出了一种优化覆盖算法中心的三支决策模型(optimal center in constructive covering algorithm,简称OCCCA)。该模型结合最近均值思想,在获取覆盖中心时,先求取数据集同类样本的均值,然后选取与均值最近的样本作为覆盖中心,从而实现优化覆盖算法中心的三支决策模型。实验表明,OCCCA比传统覆盖算法在三支决策模型分类准确率上有平均5%的提高。

关键词：三支决策最近均值优化中心构造性覆盖算法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于CCA的代价敏感三支决策模型

南京大学学报（自然科学版） 2015年第2期51卷 447-452页

作者：张燕平邹慧锦赵姝安徽大学计算机科学与技术学院合肥230601 安徽大学计算智能与信号处理教育部重点实验室合肥230601

随着数据挖掘和机器学习技术在实际问题中的广泛应用,人们越来越多的发现实际分类问题通常具有代价敏感特性.代价敏感的分类是指在同一分类任务中错误分类的代价是不同的.介绍了一种基于构造性覆盖算法的代价敏感三支决策模型,即将代价... 详细信息

随着数据挖掘和机器学习技术在实际问题中的广泛应用,人们越来越多的发现实际分类问题通常具有代价敏感特性.代价敏感的分类是指在同一分类任务中错误分类的代价是不同的.介绍了一种基于构造性覆盖算法的代价敏感三支决策模型,即将代价敏感引入到基于构造性覆盖算法的三支决策模型.该模型根据误分类之间的大小关系来减少正、负覆盖的个数,从而调整三个域,即正域、负域和边界域的大小.引入代价敏感的目的是尽可能的减少划分损失.实验对比了本文的模型分类结果和基于决策粗糙集的三支决策模型,结果表明,本文的模型分类结果稳定,并且能够通过改变三个域的大小,把分类损失最小化.

关键词：代价敏感三支决策构造性覆盖算法决策粗糙集模型

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

构造型三支决策模型的研究

构造型三支决策模型的研究

作者：邹慧锦安徽大学

学位级别：硕士

三支决策模型是决策粗糙集的核心思想之一,它将传统的正域、负域的二支决策语义拓展为正域、负域和边界域的三支决策语义,即把边界域决策也认为是一类可行的决策。在决策粗糙集中引入了Bayes风险决策理论及三支决策语义,使该三支决策模... 详细信息

三支决策模型是决策粗糙集的核心思想之一,它将传统的正域、负域的二支决策语义拓展为正域、负域和边界域的三支决策语义,即把边界域决策也认为是一类可行的决策。在决策粗糙集中引入了Bayes风险决策理论及三支决策语义,使该三支决策模型具有了容错能力,在不确定性知识获取和数据处理中具有更加可靠的理论依据和语义解释,即在处理分类问题时具有容错性和风险代价敏感性。该模型在人为给定损失函数矩阵后,即可计算出阈值(α,β),使用(α,β)实现三个域的划分。针对阈值获取问题,张提出了基于构造性覆盖算法的三支决策模型。该模型的优点是不使用任何阂值,根据构造性覆盖算法形成覆盖后,即可获得正域、负域和边界域,克服了基于决策粗糙集的三支决策模型获取阈值的人为主观性。并且该模型能够对落入边界域中的样本进行再次处理,使数据全部达到全部接受或拒绝。但是,基于构造性覆盖算法的三支决策模型虽然解决了阈值的获取问题,与决策粗糙集相比,该模型不具有代价敏感性和容错能力。目前,随着数据挖掘和机器学习技术在实际问题中的广泛应用,人们越来越多的发现实际分类问题通常具有代价敏感特性。因此,本文提出了两种改进的模型：一、基于CCA的代价敏感三支决策模型,即将代价敏感引入到基于构造性覆盖算法的三支决策模型。引入代价敏感的目的是尽可能的减少划分的损失代价。二、基于CCA的鲁棒性三支决策模型,即使模型具有较好的抗噪能力和容错能力。本文的主要工作包括：1.本文梳理了三支决策理论的发展历程,详细的描述了经典三支决策模型的优缺点。对三支决策理论的研究现状进行了分析,并将代价敏感性和鲁棒性引入到基于构造性覆盖算法三支决策中,提出了基于CCA的代价敏感三支决策模型和基于CCA的鲁棒性三支决策模型。这为三支决策模型解决敏感数据集和带有噪声的数据集的分类问题提供了新的思路。2.基于CCA的代价敏感三支决策模型将数据划分时损失函数的大小关系作为调整正域、负域和边界域的依据。对覆盖中的样本数进行统计之后发现,多数的样本点集中在少数的覆盖中,即大部分的覆盖中样本个数非常少。减少含有样本数较少的覆盖对样本分类正确率的影响相对较小。因此该模型通过减少半径较小的正覆盖和半径较小的负覆盖来调整正域和负域的大小。引入代价敏感后,通过尽量减少损失函数较大的误分类个数,来尽可能的减少划分损失。从而使模型达到如下的效果：在保证数据分类准确度的情况下,使分类时划分总代价最小。3.基于CCA的鲁棒性三支决策模型通过改变覆盖半径的获取方法来增强模型的鲁棒性。该模型中覆盖半径的获取是可调节的,通过控制正覆盖中容错负样本的个数和负覆盖中容错正样本的个数,增强了基于CCA的鲁棒性三支决策模型的抗噪声能力。同时,我们发现,正覆盖和负覆盖的大小会随着容错异类样本个数的增多而增大,通过调节正覆盖和负覆盖的扩大的程度,正域和负域的大小的变化不同,因此该模型在具有鲁棒性的同时还具有代价敏感性。

关键词：三支决策构造性覆盖算法代价敏感鲁棒性决策粗糙集

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

轨道衡车牌识别系统

轨道衡车牌识别系统

作者：万忠安徽大学

学位级别：硕士

模式识别是计算机智能的一个重要研究领域，它在医学、工程、交通、天文、军事等很多领域有着广泛的应用。本文以轨道衡车牌识别系统为应用背景，对车牌识别系统的各阶段的任务及遇到的问题进行了比较详细的说明和分析研究，然后基于... 详细信息

模式识别是计算机智能的一个重要研究领域，它在医学、工程、交通、天文、军事等很多领域有着广泛的应用。本文以轨道衡车牌识别系统为应用背景，对车牌识别系统的各阶段的任务及遇到的问题进行了比较详细的说明和分析研究，然后基于构造性覆盖算法和商空间粒度计算理论提出了一种多粒度的字符识别覆盖算法，并且基本完成了轨道衡车牌识别系统的设计与实现。本论文所做的主要工作如下： 1．针对所处理车牌的特点，基于对大量车牌灰度图的直方图分析，我们采用灰度拉伸等操作去除了背景中干扰目标的象素信息，成功地进行了预处理，提高了车牌定位的准确率。 2．在车牌的定位阶段，我们通过对水平纹理投影平滑后的峰谷分析，对粗定位的上下边界进行了微调;在字符分割阶段中，我们通过对目标象素的竖直投影平滑后的峰谷分析，并且利用车牌字符的宽、高等先验信息改善了字符分割的效果;在车牌去噪和倾斜校正阶段，我们利用连通域标记算法都取得了较好的效果。 3．从分类器的结构方面考虑，我们提出了一种基于覆盖算法的两层结构分类器的设计方法，即多粒度的字符识别覆盖算法，然后将它和单层结构分类器做了实验分析对比，得出了在不明显增加构造复杂度的情况下两层结构的设计大大改善了分类器的性能。本文的轨道衡车牌识别系统是模式识别领域的一个典型应用。它的基本思路和具体设计可扩展适用于其他行业类似的分类应用中，具有很好的应用前景。

关键词：构造性覆盖算法商空间粒度计算车牌识别系统多粒度的字符识别覆盖算法分类器设计