MFA-DMFS：基于差异度量的多分类器融合算法及其优势分析

"MFA-DMFS：一种新的多分类器融合方法及其应用研究" 这篇论文研究了一种名为MFA-DMFS（multi-classifier fusion algorithm based on diversity measure for feature selection）的新颖多分类器融合算法，该算法专注于提高分类器的准确率和保持基分类器之间的差异性。在特征选择阶段，MFA-DMFS利用Relief特征评估方法根据权值大小来挑选特征，形成特征子集。然后，通过对特征子集进行微调，确保它们之间的差异性达到一个理想状态，以构建最优的基分类器集合。 在传统的多分类器融合方法中，如Bagging和Boosting，差异性和平均准确率之间存在相互制约，即提高一种可能会牺牲另一种。而MFA-DMFS算法的独特之处在于它能够在这两个关键指标之间找到平衡，既提高了分类器的准确率，又维持了基分类器的多样性，这有助于提升整体系统的性能和鲁棒性。 论文在UCI数据集上对MFA-DMFS进行了对比实验，对比对象是基于Bagging和Boosting的多分类器融合系统。实验结果显示，MFA-DMFS在准确率和运行速度方面均表现更优。不仅如此，MFA-DMFS还在图像数据集的检索实验中取得了良好的分类效果，证明了其在实际应用中的有效性。 这项研究由多个科研基金支持，包括国家自然科学基金、江苏省自然科学基金、江苏省高校自然科学基金以及江苏省博士创新基金等。参与研究的人员涵盖了江苏大学汽车工程研究院和汽车与交通工程学院等多个单位，研究领域涉及智能交通、模式识别、多agent理论与应用等。 MFA-DMFS是一种创新的分类器融合策略，它通过差异性度量特征选择优化了基分类器的构建，为机器学习和数据挖掘领域提供了一种有效提高分类性能的方法。这一方法不仅在理论上有重要意义，而且在实际应用如图像检索等方面显示出了优越的性能，具有广泛的应用潜力。