一种集成式Beta过程最大间隔一类分类方法

• 作者: 张维 杜兰
• 来源期刊: 电子与信息学报
• 关键词: 雷达信号处理 一类分类 Dirichlet过程 Beta过程
• 年，卷（期）: 2021,（5）
• 页码范围: 1219-1227
• 页数: 9页
• 分类号: TN957.51
• 语种: 中文
• DOI: 10.11999/JEIT200080

摘要

一类分类是一种将目标类样本和其他所有的非目标类样本区分开的分类方法。传统的一类分类方法针对所有训练样本建立一个分类器，忽视了数据的内在结构，在样本分布复杂时，其分类性能会严重下降。为了提升复杂分布情况下的分类性能，该文提出一种集成式Beta过程最大间隔一类方法。该方法利用Dirichlet过程混合模型(DPM)对训练样本聚类，同时在每一个聚类学习一个Beta过程最大间隔一类分类器。通过多个分类器的集成，可以构造出一个描述能力更强的分类器，提升复杂分布下的分类效果。DPM聚类模型和Beta过程最大间隔一类分类器在同一个贝叶斯框架下联合优化，保证了每一个聚类样本的可分性。此外，在Beta过程最大间隔一类分类器中，加入了服从Beta过程先验分布的特征选择因子，从而可以降低特征冗余度以及提升分类效果。基于仿真数据、公共数据集和实测SAR图像数据的实验结果证明了所提方法的有效性。