基于噪声自检测的分段非线性组合Adaboost改进算法

TP301.6; 针对传统Adaboost算法对有噪声样本敏感的问题以及线性相加基分类器的不合理性,提出一种噪声自检测的分段非线性组合Adaboost算法(NDK Adaboost).NDK Adaboost利用传统Adaboost算法的训练误差率随迭代次数呈指数下降的特点直接构造检测噪声模型来识别噪声,并且在预测阶段将预测样本映射到训练样本的相对位置,根据其邻近的样本分布决定基分类器的权重,从而使算法在不同的样本分布中具有较高的分类准确率.实验结果表明,与传统Adaboost算法以及Adaboost相关的改进算法相比,该算法具有较高的分类准确率....

Full description

Saved in:
Bibliographic Details
Published in计算机工程 Vol. 43; no. 5; pp. 163 - 173
Main Authors 张才, 陈优广
Format Journal Article
LanguageChinese
Published 华东师范大学计算中心,上海,200062 2017
Subjects
traditional Adaboost
噪声检测
noise detection
传统Adaboost
分段
权重
基分类器
邻近样本
base classifier
weight
piecewise
neighbor sample
Online AccessGet full text
ISSN1000-3428
DOI10.3969/j.issn.1000-3428.2017.05.026

Cover

More Information
Summary:TP301.6; 针对传统Adaboost算法对有噪声样本敏感的问题以及线性相加基分类器的不合理性,提出一种噪声自检测的分段非线性组合Adaboost算法(NDK Adaboost).NDK Adaboost利用传统Adaboost算法的训练误差率随迭代次数呈指数下降的特点直接构造检测噪声模型来识别噪声,并且在预测阶段将预测样本映射到训练样本的相对位置,根据其邻近的样本分布决定基分类器的权重,从而使算法在不同的样本分布中具有较高的分类准确率.实验结果表明,与传统Adaboost算法以及Adaboost相关的改进算法相比,该算法具有较高的分类准确率.
ISSN:1000-3428
DOI:10.3969/j.issn.1000-3428.2017.05.026