连续型Adaboost算法研究 严超.docx

连续型Adaboost算法研究_严超(南京大学电子科学与工程系南京210093)摘要现阶段的人工智能与模式识别工作中,连续型Adaboost算法以其良好的识别率和极快的识别速度得到了越来越多的应用。鉴于此,认真研究了连续型Adaboost算法的理论基础,细致分析了基于连续型Adaboost算法的分类器的训练流程,对算法中涉及到的数学量之间的关系进行了探讨,对算法中涉及到的数学过程进行了定量推导,对训练过程中出现的问题的成因进行了定性分析,最后对如何提高连续型Adaboost算法的性能提出了若干建议。关键词连续型Adaboost算法,PCA模型,归一化因子,检测率, WANGYuan-qing(DepartmentofElectronicScienceandEngineering,NanjingUniversity,Nanjing210093,China)AbstractInthecurrentartificialintelligenceandpatternrecognition,RealAdaboostAlgorithm,uracyrateandveryfastspeed,,weresearchedthetheoreticalbasisoftheRealAda-boostAlgorithmconscientiouslyandanalyzedthetrainingproceduresofclassifiersbasedontheRealAdaboostAlgo-,weprobedintotherelationshipbetweenthemathematicalvariablesinvolvedintheal-gorithm;deducedthemathematicalprocessinvolvedinthealgorithmquantitatively,andanalyzedthereasonsofprob-,inordertoimprovetheRealAdaboostAlgorithm, RealAdaboostalgorithm,PCAmodel,Normalizationfactor,Testingrate,Excessivelearning如何快速通过训练方法获得准确率高的分类器是目前基于学****的模式识别领域的热点问题。针对这一问题,近几年出现了一大批分析角度不同、处理方法各异的优秀算法。其,由Freund和Schapire于1990年提出的Boosting算法[1]以训练速度快、所得分类器准确率高而获得广泛的研究和应用。Boosting的原意为提升、加强,其算法的中心思想是通过整合和训练,将弱分类器提升为强分类器。所谓弱分类器,是指该