本文關鍵詞：基于動態(tài)權重的AdaBoost算法研究　出處：《計算機應用研究》2017年11期 　論文類型：期刊論文

  更多相關文章： AdaBoost 動態(tài)權重 聚類 基分類器

【摘要】：針對AdaBoost算法只能靜態(tài)分配基分類器權重,不能自適應地對每個測試樣本動態(tài)調整權重的問題,提出了一種基于動態(tài)權重的AdaBoost算法。算法通過對訓練樣本集合進行聚類,并分析每個基分類器和每個類簇的適應性,進而為每個基分類器在不同類簇上設置不同權重,最終根據(jù)測試樣本與類簇之間的相似性來計算基分類器在測試樣本上的權重。在UCI數(shù)據(jù)集上的實驗結果表明,提出的算法有效利用了測試樣本之間的差異性,得到了比AdaBoost算法更好的效果。
[Abstract]:In view of the problem that the AdaBoost algorithm can only assign the weight of the base classifier statically, it can not adjust the weight dynamically for each test sample. A AdaBoost algorithm based on dynamic weight is proposed. The algorithm clustering the set of training samples and analyzing the adaptability of each base classifier and each cluster. Then, different weights are set for each base classifier on different class clusters. Finally, the weight of the base classifier on the test sample is calculated according to the similarity between the test sample and the cluster. The experimental results on the UCI data set show that. The proposed algorithm makes good use of the difference between the test samples and achieves better results than the AdaBoost algorithm.
【作者單位】： 重慶郵電大學計算機科學與技術學院;重慶郵電大學計算智能重慶市重點實驗室;
【基金】：國家自然科學基金青年基金資助項目(61502066) 重慶市基礎與前沿研究計劃項目(cstc2015jcy A40018) 重慶市教委科學技術研究項目(KJ500438) 重慶市研究生科研創(chuàng)新資助項目(CYS15167)
【分類號】：TP181
【正文快照】： 0引言集成學習[1]是通過訓練多個弱分類器作為基分類器,并使用某種方式將其組合起來解決同一個問題的一種學習方法。相比單個分類器而言,它整合多個基分類器,充分利用分類器之間的互補性,進而有效提升學習系統(tǒng)的泛化能力,為此受到越來越多的關注,并成為機器學習的一個研究熱點

【相似文獻】

相關期刊論文 前10條

1 趙江,徐魯安;基于AdaBoost算法的目標檢測[J];計算機工程;2004年04期

2 徐啟華;楊瑞;;基于AdaBoost算法的故障診斷仿真研究[J];計算機工程與設計;2005年12期

3 楊艷;燕東渭;趙奎鋒;魏亭;;綜合學習方法AdaBoost在暴雨預測中的應用[J];計算機系統(tǒng)應用;2007年01期

4 何毓知;陸建峰;;基于Adaboost的行道線檢測[J];江南大學學報(自然科學版);2007年06期

5 郭喬進;李立斌;李寧;;一種用于不平衡數(shù)據(jù)分類的改進AdaBoost算法[J];計算機工程與應用;2008年21期

6 別致;周俊生;陳家駿;;基于SVM-Adaboost的中文組塊分析[J];計算機工程與應用;2008年21期

7 何海燕;施培蓓;;基于改進AdaBoost算法的行人檢測方法[J];安慶師范學院學報(自然科學版);2009年03期

8 ;Large scale classification with local diversity AdaBoost SVM algorithm[J];Journal of Systems Engineering and Electronics;2009年06期

9 張家紅;張化祥;劉偉;;標記錯分樣本的AdaBoost算法[J];計算機工程與設計;2010年06期

10 劉沖;張均東;曾鴻;任光;紀玉龍;;基于支持向量機的無窮維AdaBoost算法及其應用[J];儀器儀表學報;2010年04期

相關會議論文 前6條

1 Jia Mingxing;Du Junqiang;Cheng Tao;Yang Ning;Jiang Yi;Zhang Zhen;;An Improved Detection Algorithm of Face with Combining AdaBoost and SVM[A];第25屆中國控制與決策會議論文集[C];2013年

2 楊韶瑞;高愛華;秦文罡;;基于支持向量機和AdaBoost的行人檢測[A];2011西部光子學學術會議論文摘要集[C];2011年

3 李雅芹;楊慧中;;基于改進的Adaboost.RT模糊支持向量回歸機集成算法[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

4 眭新光;沈蕾;燕繼坤;朱中梁;;基于Adaboost的文本隱寫分析[A];全國網(wǎng)絡與信息安全技術研討會論文集（上冊）[C];2007年

5 易輝;宋曉峰;姜斌;王定成;;基于AdaBoost方法的支持向量機訓練樣本選擇[A];2009全國虛擬儀器大會論文集（一）[C];2009年

6 ;Pedestrian Detection Using Haar-Like Features Based on Visual Memory[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

相關碩士學位論文 前10條

1 李瑞;AdaBoost算法框架下的仿生神經(jīng)網(wǎng)絡算法[D];西安電子科技大學;2015年

2 阮天波;基于移動智能終端的行車監(jiān)控系統(tǒng)研究與實現(xiàn)[D];浙江工商大學;2015年

3 解華;AdaBoost多項式算法在選礦電氣控制系統(tǒng)中的應用研究[D];遼寧工程技術大學;2015年

4 張晶;基于AdaBoost回歸樹的多目標預測算法的研究[D];北京交通大學;2017年

5 宋佳花;跌倒檢測關鍵技術研究[D];山東大學;2017年

6 龍敏;基于多示例學習的Adaboost算法及其在人臉檢測中的應用[D];上海交通大學;2007年

7 寧軻;基于神經(jīng)網(wǎng)絡擴張的Adaboost人臉檢測算法研究[D];廣西大學;2013年

8 張德鋒;基于膚色模型和Adaboost算法的人臉檢測系統(tǒng)[D];大連理工大學;2009年

9 高艷;基于軟間隔的AdaBoost弱分類器權重調整算法[D];西安電子科技大學;2011年

10 朱誼強;基于Adaboost算法的實時行人檢測系統(tǒng)[D];西北工業(yè)大學;2006年

，

本文編號：1399901