특징 추출 알고리즘과 ADABOOST를 이용한 이진분류기
Binary classification by the combination od Adaboost and feature extraction methods
- 주제(키워드) Adaboost , PCA , LDA , Boosted-PCA , Boosted-LDA
- 발행기관 아주대학교
- 지도교수 곽노준 교수님
- 발행년도 2012
- 학위수여년월 2012. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000012235
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
패턴 인식과 기계 학습분야에서 분류는 가장 기본적으로 해결해야 하는 문제의 유형이다. Adaboost 알고리즘은 Boosting 알고리즘의 아이디어를 실제 데이터분석에 이용할 수 있도록 개량한 방법으로써, 단계를 반복하여 나온 여러 개의 약한 분류기와 가중치 값들의 조합으로 강한 분류기를 생성하여 두 개의 클래스를 분류하는 분류기이다. 주성분 분석법과 선형 판별 분석법은 높은 차원의 특징 벡터를 낮은 차원의 특징 벡터로 축소하는 특징 벡터의 차원 감소와 데이터의 특징 추출에도 유용하게 사용되는 방법들이다. 본 논문에서는, 주성분 분석법과 선형 판별 분석법을 이용하여 추출한 특징을 Adaboost 알고리즘의 약 분류기로 사용함으로써, 특징 추출과 분류를 동시에 하고, 인식률을 높이는 효율적인 Boosted-PCA와 Boosted-LDA 알고리즘을 제안한다. 마지막 장에서는, 제안하는 알고리즘으로 UCI Data-Set 중 2 Class-Data와 FRGC Data의 남자와 여자 영상에 대해서 분류 실험을 진행하였다. 실험의 결과로 제안한 Boosted-PCA와 Boosted-LDA 알고리즘이 기존의 특징 추출 알고리즘과 최근접 이웃 분류기, SVM 을 이용한 분류기 방법과 비교하여 인식률이 향상됨을 보인다.
more목차
제 1 장 서론 1
제 2 장 특징 추출 알고리즘과 Adaboost 알고리즘
제 2.1 절 주성분 분석법(Principle Component Analysis) 4
제 2.2 절 선형 판별 분석법(Linear Discriminant Analysis) 6
제 2.3 절 Adaboost 알고리즘 9
제 3 장 제안하는 Boosted-PCA와 Boosted-LDA 알고리즘
제 3.1 절 제안하는 Boosted-PCA 알고리즘 14
제 3.2 절 제안하는 Boosted-LDA 알고리즘 18
제 4 장 실험 결과
제 4.1 절 UCI dataset 22
4.1.1 기존의 특징 추출 알고리즘만을 이용한 실험 결과 24
4.1.2 제안하는 Boosted-PCA, Boosted-LDA 이용한 실험 결과 25
4.1.3 기존의 특징 추출 알고리즘만을 이용한 실험 결과와 제안하는 Boosted-PCA, Boosted-LDA 이용한 실험 결과의 비교 26
제 4.2 절 FRGC dataset 27
4.2.1 기존의 특징 추출 알고리즘만을 이용한 실험 결과
28
4.2.2 제안하는 Boosted-PCA, Boosted-LDA 이용한 실험 결과 29
4.2.3 기존의 특징 추출 알고리즘만을 이용한 실험 결과와 제안하는 Boosted-PCA, Boosted-LDA 이용한 실험 결과의 비교 30
제 5 장 결론 32
참고문헌 34
