[发明专利]一种改善的基于Ransac算法的鲁棒AdaBoost分类器构建方法

摘要

本发明公开一种改善的基于Ransac算法的鲁棒AdaBoost分类器构建方法，包括初始参数设置、量样本随机选取、满足该模型样本加入、分类器模型更新、迭代构建下一个分类器模型、分类正确率计算、最终分类模型选出。本发明通过将Ransac算法引入到AdaBoost分类器模型构建过程中，并通过迭代建模的过程搜寻正确的样本；同时在全部基于AdaBoost算法构建的分类器模型中选取最佳分类模型。通过上述策略，本发明最终实现了基于Ransac算法的鲁棒AdaBoost分类器构建，获得的分类器模型的设计完全不受外点的影响。最后，基于本方法设计的AdaBoost分类器模型用于含有一定量外点的笔迹样本的验证，实验结果证明本文提出方法对比于另外两种AdaBoost分类器构建方法，拥有更高分类精度。

主权项

一种改善的基于Ransac算法的鲁棒AdaBoost分类器构建方法，其特征在于，包括如下步骤：步骤(1)初始参数设置初始化本算法全部参数，包括：设置分类模型的最大数为Nmax；设置当前正构建分类器模型为ith，最开始时设置i＝1；设置构建每个分类器模型的最大迭代次数为Tmax；设置构建每个分类器模型的迭代次数为j，开始时设置j＝1；设置每次初始构建分类器的样本个数为M；步骤(2)量样本随机选取从样本集中随机的选取M个样本；步骤(3)基于AdaBoost分类器初始模型构建基于这些选出的样本，利用AdaBoost算法训练强分类器，即，使得分类器模型最符合当前这M个样本；步骤(4)分类器模型更新于AdaBoost算法用构建的分类器模型Ci分类剩余的样本；用所有被该模型正确分类的样本重新基于AdaBoost算法构建分类器模型Ci；用这个新的分类器再次判断满足该新分类器模型的全部样本，更新j＝j+1；重复上述步骤4到步骤6直到满足分类器Ci的样本数不再变化或迭代次数已经超过了Tmax；步骤(5)构建下一个分类器模型更新i＝i+1，判断建立的分类器模型是否已超过Nmax，如未超过回到步骤(2)；步骤(6)分类正确率计算计算全部分类器模型所对应的样本分类精度；步骤(7)最终分类模型选出比较全部分类器模型对应的正确分类精度，具有最高分类正确率的分类器模型被确定为最终选取的分类器模型。