[發明專利]一種多分類器閾值的設置方法

有效

• 申請號: 201410001014.5
• 申請日: 2014-01-02
• 公開（公告）號: CN103761210B
• 公開（公告）日: 2018-02-13
• 發明（設計）人: 周龍沙;邵詩強
• 申請（專利權）人: TCL集團股份有限公司
• 主分類號: G06F15/17
• 分類號: G06F15/17
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙)44268
• 代理人: 王永文,劉文求

技術領域

本發明涉及模式識別技術，尤其涉及一種多分類器閾值的設置方法。

背景技術

在進行模式識別過程中，通過采用相應的識別算法獲得在具體應用環境下的分類器。對于分類器而言，實際環境所得到的分類結果有時候是極端的兩面：是或否，但往往大多數的時候是一個數值，數值應取到什么程度才算達到區分類別的要求，這個在實際應用中是非常重要的，因為它直接反應出分類器的分類能力，在模式識別領域中也體現為對置信度的設置。在實際情況下，分類器接收到非預期的情況下的取值情況，如果分類器沒有拒識的能力，那么在接收實際的結果后，根據最大結果做出的分類決策有時候也會帶來不便。在很多多分類器的應用中人們常采用經驗值來對閾值進行設定，或者根據某個實際的應用實例，通過統計分類器在這個實例中的分類效果來確定閾值，這種方法往往需要過多的人工干預同時也使得在分類器閾值設定方法上太過于固定，不靈活。

因此，現有技術還有待于改進和發展。

發明內容

鑒于上述現有技術的不足之處，本發明為解決現有技術的缺陷和不足，提出一種能夠對分類器的初步閾值數據進行分析，根據預設的數學映射函數對分類數據進行參數調整得到理想的多分類器閾值的方法。

本發明解決技術問題所采用的技術方案如下：

一種多分類器閾值的設置方法，其特征在于，包括如下步驟：

A．根據實際應用環境條件，采用模式識別或機器學習算法得到實際應用環境條件下的多個分類器1~N；

B．將所述多個分類器分別放入實際應用環境下進行N次測試，得到多個分類器中各個分類器在實際應用環境下N次測試的N個閾值；

C．對所述各個分類器N個閾值進行統計分類，對偏大的閾值通過公式result_value=a*valueX-b*valueX*valueX進行調整，對偏小的閾值通過公式result_value=(valueY-m)^3+k進行調整；其中，valueX為偏大的閾值，valueY為偏小的閾值，result_value為調整后的閾值，a、b、m、k為根據實際應用環境條件確定的參數；

D．根據調整后的各個閾值對各個分類器進行分別設定。

作為進一步改進方案，所述模式識別或機器學習算法包括神經網絡、支持向量機和均值聚類方法。

步驟C中所述對偏大的閾值通過公式result_value=a*valueX-b*valueX*valueX進行調整后得到的閾值仍舊屬于偏大的閾值時則繼續通過該公式進行調整。

步驟C 中所述對偏小的閾值valueY通過公式result_value=(valueY-m)^3+k進行調整后得到的閾值仍舊屬于偏小的閾值時則繼續通過該公式進行調整。

步驟C中所述偏大的閾值范圍為大于0.7，所述偏小的閾值范圍為小于0.4。

步驟C中參數a、b、m、k的范圍為：1≤a≤2、0.1≤b≤0.3、1.5≤m≤2.8、0.1≤k≤0.25。

步驟C還包括：對偏大的閾值和偏小的閾值之外的正常閾值則直接使用。

所述正常閾值范圍為0.4~0.7。

與現有技術相比較，本發明對多分類器在不同應用環境下的閾值進行調整，對偏大和偏小的閾值分別進行調整，保證分類器在進行分類過程中正確性的提高和拒識率的降低；正常的閾值則直接使用，使得調整后的閾值應用到分類器中能夠降低分類器的錯誤率，保證分類器在實際環境中的應用。

附圖說明

圖1是本發明多分類器閾值的設置方法流程圖。

圖2是本發明多分類器閾值的設置方法中初步閾值中偏大閾值取值的曲線示意圖。

圖3是本發明多分類器閾值的設置方法中初步閾值中偏小閾值取值的曲線示意圖。

具體實施方式

為使本發明的目的、技術方案及優點更加清楚、明確，以下參照附圖并舉實施例對本發明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

在圖像識別的過程中往往需要根據需求建立多個分類器，以適應環境需求，但是對于多個分類器要選取合適的閾值依靠需要不斷的嘗試和經驗，這對于分類器的快速應用很不利，本發明提供一種多分類器的閾值設置方法，如圖1所示，本發明多分類器的設置方法步驟如下：

S100，根據實際應用環境條件，采用模式識別或機器學習算法得到實際應用環境條件下的多個分類器1~N。