基于选择性集成学习的高速列车故障识别研究

• 作者: 苟先太 金炜东 饶川
• 来源期刊: 计算机应用研究
• 关键词: 选择性集成学习 支持向量机 多分类器融合 区域分类精度 高速列车故障分类
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 1365-1367
• 页数: 3页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2018.05.018

摘要

在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别.针对高速列车故障中样本的分类识别是存在区域分类精度的情况,提出了一种基于选择性集成学习的SVM多分类器融合算法.该方法选取测试样本最邻近的k个训练样本;然后选择对其分类效果好的SVM分类器进行融合,以提高分类准确率;最后使用高速列车故障数据进行了实验,并与AdaBoost、KNN、Bayes、SVM分类方法进行了比较.实验结果表明,该算法提高了分类识别准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	金炜东	西南交通大学电气工程学院	295	3889	30.0	49.0
2	苟先太	西南交通大学电气工程学院	47	204	8.0	11.0
3	饶川	西南交通大学电气工程学院	1	1	1.0	1.0