李 瑞，袁小玲

(1.陕西财经职业技术学院会计二系，陕西 咸阳 712000;2.陕西财经职业技术学院会计一系，陕西 咸阳 712000)

0 引言

近年来，多分类器系统(MCS)得到了越来越广泛的关注，并且已经成功应用到多个领域，比如风险评估［1］、文本分类［2］、以及变化检测［3］、故障诊断［4］、遥感分类［5］等。目前，已经提出一些经典的集成策略，比 如Bagging［6-7］、Boosting［8-9］和随机子空间方法［10-11］。由于以上这些方法中的每一个子分类器都要为测试样本输出一个结果，可能会存在冗余，而这会导致较高的计算复杂度。更为严重的是，如果子分类器集合中存在弱分类器，那么分类性能会受到极大影响。为了解决这一问题，有学者提出了选择性集成(SE)［12-13］，该方法能够避免传统集成分类器的缺点［14］。目前已经提出了一些方法，比如遗传算法［12］、半正定规划［15］、强化学习［16］、Reduce-error Pruning［15］等方法。

众所周知，在实际应用中，不同的测试样本在分类时会遇到不同的困难。而在SE 中，由于所选择的个体分类器集合相同，也会降低分类性能。但是，如果能够为每一个测试样本动态地选择分类器，会进一步提高分类性能。基于此，近年来，有学者提出了动态集成选择策略(DES)［17］。由于该策略能够动态地为每一个测试样本选择合适的个体分类器组成集成分类器，因而能够获得更好的性能。目前已经提出一些策略，比如K-Nearest-ORAcles(KNORA)［17］、Local Accuracy and Diversity Method［18］、Measure of Competence based on Random Classification Method［19］等。

尽管DES 能够获得更好的性能，但是当前的策略需要为每一个测试样本选择多个分类器。这使得当前策略的计算复杂度较高。为了解决这一问题，本文提出一种新的半动态集成选择策略(Semi-DES)。……