基于子空间样本选择的最近凸包分类器

摘要

最近邻凸包分类器需要求解测试样本到训练集凸包距离的凸二次规划问题,对于训练集规模较大的情况,有必要在分类之前进行适当的样本选择.为此该文提出基于子空间样本选择的最近凸包分类方法.该方法首先采用子空间样本选择算法对训练集样本进行筛选,然后将各类选出的样本作为最近邻分类器的新的训练集.子空间样本选择方法的原理是在一类训练样本集内,迭代选择距离已选样本张成子空间最远的样本.在MIT-CBCL人脸识别数据库的training-synthetic子库的实验中,该方法只需5.6%的训练样本即可取得100%的识别率,并且执行时间较未经选样的最近邻凸包分类器也大为减少.