31、人工神经网络分类器网络技术详解

人工神经网络分类器网络技术详解

1. 像素类别测试与AdaBoost示例

在进行像素分类时，可根据以下公式测试第k个像素的类别归属：
[ TL(x_k) = sgn\left( \sum_{l} a_l t_l^k(x_k) \right) ]
此公式会对各个分类器推荐的类别归属进行加权，从而为像素得出最终的标签。对于这个二分类器而言，$TL \in {1, -1}$。

AdaBoost有一个简单示例，随着添加更多的分类器，能看到准确率有所提升。不过，准确率并非一开始就会一直提高，有时需要进行成百上千个阶段才能取得良好的结果。

2. 分类器网络之人工神经网络

决策树、委员会分类器以及诸如提升和装袋等过程，都可更广泛地称为分类器网络，有时也称作分层分类器。其中，人工神经网络（ANN）是一个重要的例子，它有多种配置形式。这里主要探讨最常见的多层感知器。

基本感知器是一种简单的二元线性分类器，经过训练后，它会通过检查模式位于线性分离表面的哪一侧，将模式归入两个可用类别之一。分离表面由公式$w^T x + w_{N + 1} = 0$定义，因此类别测试由以下公式给出：
- 若$w^T x + w_{N + 1} > 0$，则$x \in$ 类别1
- 若$w^T x + w_{N + 1} < 0$，则$x \in$ 类别2

从图中可以用图形表示，其中$z = w^T x + w_{N + 1}$，其符号通过阈值操作进行检查。加权和阈值操作合称为阈值逻辑单元（TLU），它是感知器的基本构建块，但实际上，除非使用分层程序，否则它仅适用于线性可分的二元数据。