1．2．2多分类器融合的研究现状 ①理论研究的主要方面 目前，对多分类器融合（Multiple Classifiers Fusion）的理论研究集中于以下三方 面［6-91： 1）对融合工具的研究 这方面的研究是多分类器融合技术的核心内容。
基于12个网页-相关网页
The student credit classification model based on multiple classifiers fusion is designed. And this model is test and proved that it can improve the precision and extend ability of single classifier.
选择学生信用分类的数据项并进行分类挖掘数据预处理,建立了基于多分类器融合的学生信用分类模型,通过仿真验证了该算法能有效提高基本分类器的精度和泛化能力,用于学生信用分类是有效和可行的。
参考来源 - 基于多分类器融合的数据挖掘分类算法研究与应用·2,447,543篇论文数据，部分数据来源于NoteExpress
There are two strategies for multiple classifiers combination: multiple classifiers fusion and multiple classifiers selection.
多分类器组合策略有两类：多分类器融合和多分类器选择。
We investigate the theoretical framework of multiple classifiers fusion, and apply the decision template algorithms to classify the protein secondary structural classes.
分析了多分类器融合算法的理论框架，并采用决策模板算法对蛋白质结构类的预测问题进行了研究。
According to the continuous space model for emotion, an improved queuing voting algorithm was proposed to implement the fusion of multiple emotion classifiers for a good emotion recognition result.
分别利用普通话情感语音库和德语情感语音库进行实验，结果表明，与几种传统融合算法相比，改进的排序式选举法能够取得更好的融合效果，其识别性能明显优于单分类器。
应用推荐