韶关学院学报
韶關學院學報
소관학원학보
Journal of Shaoguan University
2015年
8期
1-7
,共7页
线性回归分类器%局部%K最近邻%L1正则化%模式分类
線性迴歸分類器%跼部%K最近鄰%L1正則化%模式分類
선성회귀분류기%국부%K최근린%L1정칙화%모식분류
线性回归分类器(LRC)在人脸识别上呈现出了优越的性能,然而,随着每类的训练样本数量增大,LRC的分类速度变得很慢.除此之外,LRC还有一致命的弱点:对大样本问题束手无策,即当每类用于训练的样本数量大于样本的维数时,LRC无法工作.解决以上问题的一个行而有效办法是对LRC作局部化处理.可以对LRC作了两类局部拓展:一是基于K最近邻的线性回归分类器(KNN-LRC).KNN-LRC借助KNN算法对每类训练的样本作了筛选.从而避免了大样本问题的出现,但却受到近邻参数选择的困扰.二是在此基础上进一步提出了基于L1范数的自适应局部线性回归分类器(LI-LRC).L1-LRC具有自适应的近邻选择机制,同时能取得比KNN-LRC更好的分类性能.在两个数据库上,比较各种相关分类器的性能.从分类的结果来看,KNN-LRC和L1-LRC较其它相关分类器的性能好.
線性迴歸分類器(LRC)在人臉識彆上呈現齣瞭優越的性能,然而,隨著每類的訓練樣本數量增大,LRC的分類速度變得很慢.除此之外,LRC還有一緻命的弱點:對大樣本問題束手無策,即噹每類用于訓練的樣本數量大于樣本的維數時,LRC無法工作.解決以上問題的一箇行而有效辦法是對LRC作跼部化處理.可以對LRC作瞭兩類跼部拓展:一是基于K最近鄰的線性迴歸分類器(KNN-LRC).KNN-LRC藉助KNN算法對每類訓練的樣本作瞭篩選.從而避免瞭大樣本問題的齣現,但卻受到近鄰參數選擇的睏擾.二是在此基礎上進一步提齣瞭基于L1範數的自適應跼部線性迴歸分類器(LI-LRC).L1-LRC具有自適應的近鄰選擇機製,同時能取得比KNN-LRC更好的分類性能.在兩箇數據庫上,比較各種相關分類器的性能.從分類的結果來看,KNN-LRC和L1-LRC較其它相關分類器的性能好.
선성회귀분류기(LRC)재인검식별상정현출료우월적성능,연이,수착매류적훈련양본수량증대,LRC적분류속도변득흔만.제차지외,LRC환유일치명적약점:대대양본문제속수무책,즉당매류용우훈련적양본수량대우양본적유수시,LRC무법공작.해결이상문제적일개행이유효판법시대LRC작국부화처리.가이대LRC작료량류국부탁전:일시기우K최근린적선성회귀분류기(KNN-LRC).KNN-LRC차조KNN산법대매류훈련적양본작료사선.종이피면료대양본문제적출현,단각수도근린삼수선택적곤우.이시재차기출상진일보제출료기우L1범수적자괄응국부선성회귀분류기(LI-LRC).L1-LRC구유자괄응적근린선택궤제,동시능취득비KNN-LRC경호적분류성능.재량개수거고상,비교각충상관분류기적성능.종분류적결과래간,KNN-LRC화L1-LRC교기타상관분류기적성능호.
