论文研究-基于选择性集成分类器的面部表情识别研究.pdf

【文件属性】：
文件名称：论文研究-基于选择性集成分类器的面部表情识别研究.pdf
文件大小：1.01MB
文件格式：PDF
更新时间：2022-08-11 17:25:11
选择性集成学习,多分类器,面部表情识别 为了提高面部表情的分类识别性能，基于集成学习理论，提出了一种二次优化选择性（quadratic optimization choice，QOC）集成分类模型。首先，对于九个基分类器，依据性能进行排序，选择前30%的基分类器作为集成模型的候选基分类器；其次，依据组合规则产生集成模型簇；最后，对集成模型簇进行二次优化选择，选择具有最小泛化误差的集成分类器的子集，从而确定最优集成分类模型。为了验证QOC集成分类模型的性能，选择采用最大值、最小值和均值规则的集成模型作为对比模型。实验结果表明，相对基分类器，QOC集成分类模型取得了较好的分类效果，尤其是对于识别率较差的悲伤表情类，平均识别率提升了21.11%；相对于非选择性集成模型，QOC集成分类模型识别性能也有显著提高。