38、优化基于差异的分类器及在线数学公式识别方法

优化基于差异的分类器及在线数学公式识别方法

优化基于差异的分类器（DBCs）

在优化基于差异的分类器（DBCs）时，采用了降维方案而非选择代表性数据集。传统的原型选择方法是决定保留或丢弃训练点，而此方法是在使用整个训练样本计算差异矩阵后进行降维，避免了寻找最优原型数量的问题。

实验结果

对AT&T和Yale两个知名基准数据库进行测试，并与传统方法结果对比。实验结果体现在处理CPU时间和分类准确率两方面：
- 处理CPU时间 ：从表1可以看出，应用该技术后处理CPU时间（秒）增加。以AT&T数据库的ED测量方法为例，PCA、LDA、PCALDA、LDAFKT和DCV方法的处理时间分别为1893.62、195.50、3020.88、1373.62和743.25，而Random、RandomC、KCentres和ModeSeek方法分别为3.83、4.79、344.70和49.66。HD、RD、WGHD测量方法也有相同特征。
| 实验方法 | AT&T（ED） | AT&T（HD） | AT&T（RD） | AT&T（WGHD） | Yale（ED） | Yale（HD） | Yale（RD） | Yale（WGHD） |
| — | — | — | — | — | — | — | — | — |
| PCA | 1893.62 | 1899.91 | 1635.32 | 1589.48 | 37.17 | 38.19 | 36.16 | 43.10 |
| LDA | 195.50 | 239.88 | 334.60 | 360.62 | 3.6