动态集成不仅是机器学习的重点研究方向之一,也在众多领域得到了广泛的应用。虽然动态集成技术得到了广泛的发展,但随着科技的进步,人们对集成系统性能的要求却越来越高。因此,如何提高系统的泛化性能、提高分类精度仍是需要解决的问题之一。动态集成方法的研究,不仅有深远的理论意义,也有广泛的应用价值。基于上述研究背景,本文围绕动态集成算法的优化展开了研究,并提出了对应的解决方案。本文的主要研究内容包括以下几个方面:(1)本文提出了一种基于边界的异构分类器生成方法。该方法在分析了边界的理论的基础上,把边界的概念引入到基分类器的训练中,通过计算训练样本的边界值来指导个体分类器的训练。该方法不但迭代循环找到精度最高的一组基分类器,而且基于异构基学习算法,增加了分类器间的差异性。经过实验比对,验证了该方法可以提高集成学习算法的准确率。(2)本文针对动态集成选择算法对动态选择数据集分布敏感,尤其是动态选择数据集中含有噪声、高度重叠的样本实例时分类效果不理想、能力区域不能充分代表待测样本的问题,引进了被编辑最近邻和自适应最近邻两种选择机制,提出了改进的动态集成选择算法。本文通过过滤掉动态选择数据集中的负面样本来减少算法的敏感性,并通过自适应距离的方法选择最有代表性的能力区域,使得基分类器的分类能力在最优的能力区域中得到合理的度量,达到提高系统准确度的目的。通过实验验证,该方法减少了运行时间,提高了分类准确率,增强了集成系统的稳定性。