基于动态权重的AdaBoost算法研究
本文关键词：基于动态权重的AdaBoost算法研究 出处：《计算机应用研究》2017年11期 论文类型：期刊论文
【摘要】：针对AdaBoost算法只能静态分配基分类器权重,不能自适应地对每个测试样本动态调整权重的问题,提出了一种基于动态权重的AdaBoost算法。算法通过对训练样本集合进行聚类,并分析每个基分类器和每个类簇的适应性,进而为每个基分类器在不同类簇上设置不同权重,最终根据测试样本与类簇之间的相似性来计算基分类器在测试样本上的权重。在UCI数据集上的实验结果表明,提出的算法有效利用了测试样本之间的差异性,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.
【作者单位】： 重庆邮电大学计算机科学与技术学院;重庆邮电大学计算智能重庆市重点实验室;
【基金】：国家自然科学基金青年基金资助项目(61502066) 重庆市基础与前沿研究计划项目(cstc2015jcy A40018) 重庆市教委科学技术研究项目(KJ500438) 重庆市研究生科研创新资助项目(CYS15167)
【分类号】：TP181
【正文快照】： 0引言集成学习[1]是通过训练多个弱分类器作为基分类器,并使用某种方式将其组合起来解决同一个问题的一种学习方法。相比单个分类器而言,它整合多个基分类器,充分利用分类器之间的互补性,进而有效提升学习系统的泛化能力,为此受到越来越多的关注,并成为机器学习的一个研究热点
【相似文献】
相关期刊论文 前10条
1 赵江,徐鲁安;基于AdaBoost算法的目标检测[J];计算机工程;2004年04期
2 徐启华;杨瑞;;基于AdaBoost算法的故障诊断仿真研究[J];计算机工程与设计;2005年12期
3 杨艳;燕东渭;赵奎锋;魏亭;;综合学习方法AdaBoost在暴雨预测中的应用[J];计算机系统应用;2007年01期
4 何毓知;陆建峰;;基于Adaboost的行道线检测[J];江南大学学报(自然科学版);2007年06期
5 郭乔进;李立斌;李宁;;一种用于不平衡数据分类的改进AdaBoost算法[J];计算机工程与应用;2008年21期
6 别致;周俊生;陈家骏;;基于SVM-Adaboost的中文组块分析[J];计算机工程与应用;2008年21期
7 何海燕;施培蓓;;基于改进AdaBoost算法的行人检测方法[J];安庆师范学院学报(自然科学版);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 张家红;张化祥;刘伟;;标记错分样本的AdaBoost算法[J];计算机工程与设计;2010年06期
10 刘冲;张均东;曾鸿;任光;纪玉龙;;基于支持向量机的无穷维AdaBoost算法及其应用[J];仪器仪表学报;2010年04期
相关会议论文 前6条
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届中国控制与决策会议论文集[C];2013年
2 杨韶瑞;高爱华;秦文罡;;基于支持向量机和AdaBoost的行人检测[A];2011西部光子学学术会议论文摘要集[C];2011年
3 李雅芹;杨慧中;;基于改进的Adaboost.RT模糊支持向量回归机集成算法[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年
4 眭新光;沈蕾;燕继坤;朱中梁;;基于Adaboost的文本隐写分析[A];全国网络与信息安全技术研讨会论文集（上册）[C];2007年
5 易辉;宋晓峰;姜斌;王定成;;基于AdaBoost方法的支持向量机训练样本选择[A];2009全国虚拟仪器大会论文集（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
相关硕士学位论文 前10条
1 李瑞;AdaBoost算法框架下的仿生神经网络算法[D];西安电子科技大学;2015年
2 阮天波;基于移动智能终端的行车监控系统研究与实现[D];浙江工商大学;2015年
3 解华;AdaBoost多项式算法在选矿电气控制系统中的应用研究[D];辽宁工程技术大学;2015年
4 张晶;基于AdaBoost回归树的多目标预测算法的研究[D];北京交通大学;2017年
5 宋佳花;跌倒检测关键技术研究[D];山东大学;2017年
6 龙敏;基于多示例学习的Adaboost算法及其在人脸检测中的应用[D];上海交通大学;2007年
7 宁轲;基于神经网络扩张的Adaboost人脸检测算法研究[D];广西大学;2013年
8 张德锋;基于肤色模型和Adaboost算法的人脸检测系统[D];大连理工大学;2009年
9 高艳;基于软间隔的AdaBoost弱分类器权重调整算法[D];西安电子科技大学;2011年
10 朱谊强;基于Adaboost算法的实时行人检测系统[D];西北工业大学;2006年
，本文编号：1399901
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1399901.html
