[發明專利]一種模型訓練層AdaBoost算法的參數優化方法

在審

• 申請號: 201710332545.6
• 申請日: 2017-05-12
• 公開（公告）號: CN107170443A
• 公開（公告）日: 2017-09-15
• 發明（設計）人: 羅森林;潘麗敏;王懷慶;劉曉雙
• 申請（專利權）人: 北京理工大學
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L25/51;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種模型訓練層AdaBoost算法的參數優化方法，其特征在于，所述方法包括以下步驟：

步驟1，采集并生成音頻事件訓練樣本，完成數據的預處理，得到帶有正負樣本標記的訓練數據；

步驟2，對步驟1獲得數據集S，應用AdaBoost算法，訓練音頻事件識別模型；

步驟3，采用步驟2的方法作為目標函數，應用模擬退火方法，優化AdaBoost的訓練參數。

2.根據權利要求1所述的方法，其特征在于，所述訓練音頻事件識別模型的步驟具體包括：

步驟2.1，初始化權重

wi(1)12l,yi=112m.yi=0]]>

步驟2.2，對第t次訓練(T為總訓練次數，且t＝1，2，...，T)，歸一化權重：

wi(t)=wi(t)Σj=1nwj(t)]]>

步驟2.3，對每一維特征j，訓練弱分類器h_j，計算其樣本集的分類錯誤率：

ej=Σiwi(t)|hj(xi)-yi|]]>

步驟2.4，選取分類率e_t最小的分類器h_t，放入強分類器列表；

步驟2.5，更新樣本權重：

wi(t+1)=wi(t)β1-ei]]>

其中，i＝1，2，...，N，如果樣本x_i被正確分類，則e_i＝0，否則e_i＝1；

步驟2.6，重復步驟2.2至步驟2.5共T次。

3.根據權利要求1所述的方法，其特征在于，所述模型訓練參數優化的步驟具體包括：

步驟3.1，在步驟2中隨機設定一個迭代次數T₀，將步驟2輸出結果的準確度記為f(T₀)＝A，使用T₀和A作為模擬退火算法的初始值，步驟2中的數據操作函數f作為目標函數；

步驟3.2，運行模擬退火算法；

步驟3.3，記錄模擬退火算法結果T_best，并將此值作為AdaBoost的迭代次數。