2.765

2022影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于Adaboost权值更新以及K-L距离的特征选择算法

崔潇潇 王贵锦 林行刚

崔潇潇, 王贵锦, 林行刚. 基于Adaboost权值更新以及K-L距离的特征选择算法. 自动化学报, 2009, 35(5): 462-468. doi: 10.3724/SP.J.1004.2009.00462
引用本文: 崔潇潇, 王贵锦, 林行刚. 基于Adaboost权值更新以及K-L距离的特征选择算法. 自动化学报, 2009, 35(5): 462-468. doi: 10.3724/SP.J.1004.2009.00462
CUI Xiao-Xiao, WANG Gui-Jin, LIN Xing-Gang. Feature Selection Based on Weight Updating and K-L Distance. ACTA AUTOMATICA SINICA, 2009, 35(5): 462-468. doi: 10.3724/SP.J.1004.2009.00462
Citation: CUI Xiao-Xiao, WANG Gui-Jin, LIN Xing-Gang. Feature Selection Based on Weight Updating and K-L Distance. ACTA AUTOMATICA SINICA, 2009, 35(5): 462-468. doi: 10.3724/SP.J.1004.2009.00462

基于Adaboost权值更新以及K-L距离的特征选择算法

doi: 10.3724/SP.J.1004.2009.00462
详细信息
    通讯作者:

    崔潇潇

  • 中图分类号: TP391

Feature Selection Based on Weight Updating and K-L Distance

More Information
    Corresponding author: CUI Xiao-Xiao
  • 摘要: 对于颜色、纹理变化较大的目标, 边界片段是一种较为稳定的特征. 手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目, 不能满足统计学习中大样本训练的要求. 但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声. 在这种情况下特征的选择就显得尤为关键. 本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法, 在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集. 选择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据, 有效地减少了背景中边界片段的干扰. 实验证明该算法是有效的.
  • 加载中
计量
  • 文章访问数:  3071
  • HTML全文浏览量:  81
  • PDF下载量:  1382
  • 被引次数: 0
出版历程
  • 收稿日期:  2008-03-10
  • 修回日期:  2008-08-24
  • 刊出日期:  2009-05-20

目录

    /

    返回文章
    返回