[发明专利]一种基于AdaBoost的弱分类器内部结构调整方法

摘要

本发明公开了一种基于AdaBoost的弱分类器内部结构调整方法，首先是训练弱分类器，通过加权训练样本决定训练的弱分类器的融合权重，每个弱分类器对输入样本输出一个弱假设，所有弱分类器组成一个强分类器并输出最终结果；其次是内部结构调整、最佳弱分类器参数选择和调整验证，然后利用遗传算法来解决最优化问题，最后是训练样本重新加权，根据训练样本的错误率高低来重新确定样本的权重。本发明在场景分类问题上有非常好的表现，分辨率高，误判率低。

主权项

1.一种基于AdaBoost的弱分类器内部结构调整方法，其特征在于包括以下步骤：步骤一：训练弱分类器，通过加权训练样本决定训练的弱分类器的融合权重，每个弱分类器对输入样本输出一个弱假设，所有弱分类器组成一个强分类器并输出最终结果；步骤二：对弱分类器进行内部结构调整，每个弱分类器的调整是由一个调整向量β和一个偏移向量η决定的，它们的维数都是1×N维，N为多级弱分类器的数目，按ht(x,y)=βty(Rty(x)-ηty),y∈Y={1,...,N}]]>进行调整；步骤三：对内部结构调整后的弱分类器进行最佳参数选择，利用遗传算法来选取最佳参数；步骤四：调整过的弱分类器进行验证，即满足一个设定的阈值，具体为对于m个样本，调整验证计算方式如下：，q=1,…,M其中是弱分类器对于m个样本的分类表现，θq={θq0,θq1,...,θqK}]]>，代表未经内部结构调，θq0=<ηq0,βq0>;ηq0=0,βq0=1]]>；代表调整过的弱分类器对m个样本的分类表现，其中：θq*=<ηq*,βq*>=argmaxθqf(θq)]]>其中f(θ_q) 是加权向量样本正确分辨率，f(θq)=1mΣi=1m[hq(xi,yi)]]]>其中i=1,…,m，M为强分类器个数，m为训练样本集中样本数量；如果不成立，那么使用步骤一训练后的弱分类器；步骤五：训练样本重新加权，使用训练样本测试调整过的弱分类器，根据步骤一再次确定样本的权值，并计算每个强分类器的输出，最后将M个强分类器串联得到最终的级联分类器。