基于集成学习的模式识别方法的研究开题报告

1. 研究目的与意义（文献综述）

集成学习是机器学习研究中的一个热门领域。集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种学习方法。

从上世纪90年代开始，集成学习以及成为国际机器学习领域的一个研究热点。1990年，schapire证明可以通过一种构造方法将多个弱学习器集成为一个强学习器，这一研究成果奠定了集成学习的理论研究基础。从此以后，集成学习在许多应用领域发挥了强大作用。hansen等人在1992年利用多数投票方法第神经网络集成进行手写体数字识别。cherkauer在1996年用简单平均法对含有不同隐层神经元数的bp神经网络进行集成，对megellan空间探测器收集到的关于金星的合成孔径雷达图像进行分析，并在此领域达到了专家水平。2000年schapire和singer将boosting集成学习技术应用到文本分类中，得出boosting的集成效果优于单个算法的结果。ridgeway在2002年使用boosting和bagging技术解决了含噪、高维数据集合中的密度估计问题，采用boosting集成学习框架，并使用bagging技术控制过拟合和迭代终止条件，最终取得良好的效果。

在国内，2000年周志华等人将神经网络集成技术应用到复杂环境下多姿态人脸识别中。2002年刁力力等人使用boosting算法集成stumps弱分类器算法进行文本分类，取得了较好的效果。周水庚等人使用boosting技术，研究了中文文本的层次分类问题，他们利用n-gram算法进行文本分类，实现中文文本分类的领域无关性和时间无关性。

2. 研究的基本内容与方案

基本内容：

本文研究的课题是基于集成学习的模式识别方法研究。论文包括以下几个方面的内容：

（1）通过查阅文献和搜集相关资料，介绍集成学习的基本原理，总结常用模型或方法，并完成有关毕业设计相关的外文文献翻译。

3. 研究计划与安排

第1周毕业设计开始；

第2周查阅设计题目的相关资料；

第3周撰写开题报告；

4. 参考文献（12篇以上）

[1] (美)tomm.mitchell,曾华军,张银奎等译.机器学习[m],机械工业出版社,2003.

[2] woniak, micha, manuel graa, and emilio corchado."a survey of multiple classifier systems as hybrid systems."information fusion 16 (2014): 3-17.

[3] 梁英毅，集成学习综述[j]