轻量化的增量式集成学习算法设计

TP301.6; 常规的分类与回归树算法(classification and regression tree,CART)只能通过重新训练来增加对新类别的认知,导致样本类别数量较多时训练成本大幅增加.针对这一问题,提出一种轻量化的增量式集成学习算法:当新的类别进入到训练集中,只需在原有集成学习算法中添加具有开集识别能力的CART基分类器,就可以实现对新类别样本的分类,而不需要重新训练,从而降低计算复杂度,简化学习过程.以辐射源分类为背景的仿真实验表明,该算法在信噪比大于等于-4 dB的环境中,可以保持90％以上的分类准确率;在类别数量较多的情况下,相比常规CART,该算法可以大幅度降低新增分类...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 43; no. 4; pp. 861 - 867
Main Authors 丁嘉辉, 汤建龙, 于正洋
Format Journal Article
LanguageChinese
Published 西安电子科技大学电子工程学院,陕西西安710071 01.04.2021
Subjects
分类与回归树
集成学习
计算复杂度
辐射源分类
开集识别
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2021.04.01

Cover

More Information
Summary:TP301.6; 常规的分类与回归树算法(classification and regression tree,CART)只能通过重新训练来增加对新类别的认知,导致样本类别数量较多时训练成本大幅增加.针对这一问题,提出一种轻量化的增量式集成学习算法:当新的类别进入到训练集中,只需在原有集成学习算法中添加具有开集识别能力的CART基分类器,就可以实现对新类别样本的分类,而不需要重新训练,从而降低计算复杂度,简化学习过程.以辐射源分类为背景的仿真实验表明,该算法在信噪比大于等于-4 dB的环境中,可以保持90％以上的分类准确率;在类别数量较多的情况下,相比常规CART,该算法可以大幅度降低新增分类类别所需的训练成本.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2021.04.01