为充分利用分类器的差异性来提高分类器集成的准确率,提出一种分类器选择方法。基本思想是构造所有基分类器的混淆矩阵作为聚类算法的数据对象,根据各聚类中样本的分布选择出一定数量的分类器作为代表,构成新的待集成分类器集合。将该方法应用于Bagging算法的训练过程,通过实验对比,验证了该方法确实可以提高分类器集成性能。

数字识别是扫描文档并将其转换为电子格式的过程中必不可少的元素。 在这项工作中，正在提出一种新的多像元大小（MCS）方法，以利用定向梯度直方图（HOG）特征和基于支持向量机（SVM）的分类器对手写数字进行有效分类。 基于HOG的技术对在相关特征提取计算中使用的像元大小选择很敏感。 因此，一种新的MCS方法已用于执行HOG分析和计算HOG功能。 该系统已经在基准MNIST手写数字基准数据库上进行了测试，使用独立测试集策略已达到99.36％的分类精度。 还使用10折交叉验证策略对分类系统进行了交叉验证