基于模糊弱分类器的AdaBoost算法

摘要

本文引入模糊推理的思路,提出了一种新的模糊弱分类器,为增强AdaBoost强分类器的噪声抵抗能力提供有效手段.把每个特征分布分解成多个模糊规则的叠加,模糊规则对应的隶属度函数采用高斯函数.样本具体的特征值经过模糊化后得到的隶属度函数与模糊规则进行适配,设定适配度阈值来判定样本的类别.在训练流程中,通过枚举搜索寻找最佳的模糊规则构成最佳模糊弱分类器,按AdaBoost算法组合到强分类器中.经UCI数据库、MIT-CBCL人脸数据库等仿真试验测试表明,由模糊弱分类器构成的改进Adaboost强分类器具有更好的噪声抵抗能力,且弱分类器个数更少.