发明名称 |
一种基于测试样本加权与类别假设的分类方法 |
摘要 |
本发明公开一种基于测试样本加权与类别假设的分类方法,通过将测试样本假定为某一分类类别,并运用混沌算法在全空间参数搜索上的优势给出其对应的最佳权值,让加权的测试样本参与到分类器模型的训练中,与训练样本一同训练得出新的分类器模型;借助该分类器重新计算每个训练样本的分类情况,进而得出分类器整体分类精度;重新对测试样本的分类情况进行假设,使其遍历所有可能的分类并分别训练对应分类器模型,计算分类精度;对全部训练所得分类器按分类精度进行排序,基于分类器的分类精度越高测试样本分类假设越合理的原则,找到对测试样本的最佳分类假设作为该样本的类别判断。与其它分类方法相比,本发明的方法具有更好表现。 |
申请公布号 |
CN106372675A |
申请公布日期 |
2017.02.01 |
申请号 |
CN201610917781.X |
申请日期 |
2016.10.20 |
申请人 |
北京工业大学 |
发明人 |
曹万鹏 |
分类号 |
G06K9/62(2006.01)I;G06K9/00(2006.01)I |
主分类号 |
G06K9/62(2006.01)I |
代理机构 |
北京思海天达知识产权代理有限公司 11203 |
代理人 |
张慧 |
主权项 |
一种基于测试样本加权与类别假设的分类方法,包括如下步骤:步骤(1)初始参数设置基于朴素贝叶斯分类器由训练样本训练最初的分类器,设置初始分类精度a<sub>o</sub>,,同时设置初始类别号为i=0;步骤(2)待测试样本类别假设当有待测试样本到来时,对其类别进行假设,设其分类为C<sub>i</sub>;步骤(3)权值选择基于混沌算法,在参数空间上对测试样本的权值进行全局搜索,把分类精度作为目标函数,就当前测试样本的分类假设给出其对应的最佳权值;步骤(4)分类器模型训练基于上述朴素贝叶斯分类算法训练得到的分类器模型,重新计算分类器精度a<sub>i</sub>,然后设置i=i+1;步骤(5)迭代循环重复步骤2到步骤4直到对待测试样本的假设遍历每一类别;步骤(6)分类精度计算计算全部分类器模型所对应的样本分类精度;步骤(7)最终分类模型选出找出最高的分类精度和它所对应的类别假设,判断该待测试样本为这一假设的类别。 |
地址 |
100124 北京市朝阳区平乐园100号 |