32、基于线性遗传编程的进化视觉学习与特征描述符算子进化合成

基于线性遗传编程的进化视觉学习与特征描述符算子进化合成

分类与适应度评估

在解决识别问题时，我们的目标是对每个提取的区域 $\omega_i$ 进行分类。为此，我们实现了一个支持向量机（SVM）委员会，该委员会采用投票方案进行分类。SVM 委员会 $\Phi$ 由所有训练好的 SVM ${\varphi_i}$ 组成，每个 $\omega_i$ 对应一个 $\varphi_i$。复合特征集 $\Gamma = {\gamma_{\omega_i}}$ 被输入到 SVM 委员会 $\Phi$ 中，其中每个 $\gamma_{\omega_i}$ 是对应 $\varphi_i$ 的输入。SVM 委员会通过投票来确定相应图像的类别。

适应度函数通过准确率来计算，即对于给定个体，$\Phi$ 中所有 SVM 的平均准确率。用公式表示为：$Accuracy = \frac{1}{|\Phi|} \sum_{x} Acc_{\varphi_x}$，其中 $Acc_{\varphi_x}$ 是 $\varphi_j$ SVM 的准确率，求和范围是 $\forall \varphi_x \in \Phi$。如果两个不同的解决方案具有相同的分类准确率，则会应用惩罚因子来选择使用最少描述符的解决方案，这样可以提高表示的紧凑性。

SVM 训练参数

SVM 使用 libSVM（一个 C++ 开源库）来实现。对于 $\Phi$ 中的每个 $\varphi$，所有种群的参数设置相同。SVM 参数如下：
- 核函数类型 ：使用径向基函数（RBF）核，其表达式为：$k(x,x_i) = exp(-\frac{|x - x_i|^2}{2\s