论文部分内容阅读
在模式分类领域，分类器特征输入的选择对分类效果是至关重要的．我们提出了一种新的基于相对熵的特征选择AdaBoost方法．在该算法中，引入相对熵度量两类间的距离．在每一轮中，选择最优特征作为二雏分量分类器的输入．随着权值的改变，在每一轮中特征的选择也不同．最后，由一组弱分类器结合而成的强分类器．实验表明，与遍历搜索的AdaBoost算法相比，该算法的检测正确率提高了5％，而时间缩短了20％以上．