针对语音情感信号的复杂性和单一分类器识别的局限性，提出一种核函数极限学习机（KELM）决策融合的方法用于语音情感识别。首先对语音信号提取不同的特征，并训练相应的基分类器，同时将输出转化为概率型输出；然后利用测试集在基分类器的输出概率值计算自适应动态权值；最后对各基分类器的输出进行线性加权融合得到最终的分类结果。利用该方法对柏林语音库中4种情感进行识别，实验结果表明，提出的融合KELM方法优于常用的单分类器以及多分类器融合方法，有效地提高了语音情感识别系统的性能。

基于特征融合的堆叠工件分类识别研究，杨继东，胡啟旭，本文针对堆叠工件的识别问题，提出了一种基于决策融合的方法，旨在提高目标工件的识别准确率。使用SVM支持向量机作为分类器，提取

针对信息融合分类中DS理论基本概率赋值函数（BPA）一直难以解决的问题，提出了一种基于SVM和DS理论的决策融合方法。利用Platt概率模型将不同核函数SVM分类器的硬输出转化为概率输出，并将混淆矩阵作为计算各分类器局部可信度的依据。根据SVM的后验概率和分类器的局部可信度来建立基本概率赋值函数，再通过DS融合做出最终决策。将该方法应用于高铁故障数据，实验结果表明，该构造BPA的方法在实际问题中有效且合理，该决策融合方法与单一分类器相比，能稳定地提高分类准确率。

为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

人工智能与公共决策融合研究：趋势·风险·实践路径.pdf