少样本条件下基于K⁃最近邻及多分类器协同的样本扩增分类

针对少样本条件下的分类问题,提出一种基于K⁃最近邻及多分类器协同的训练样本扩增分类框架。首先利用少量标记样本对多个分类器进行初步训练,并在整个样本空间中搜索出每个标记样本的K个最近邻;然后利用初步训练好的分类器,对每个标记样本的K个最近邻进行分类,若某个最近邻被多数或全体分类器判为具有与其标记样本相同的类,则将该最近邻判别为与其标记样本同类,并将其添加至该标记样本所属类的扩展训练样本集,利用扩展训练样本集再次对各分类器进行训练;最后利用再次训练过的多个分类器对剩余未标记样本进行基于投票的分类判决。在多个基准测试数据库上的对比实验结果表明,在少标记样本条件下,所提算法能显著提升分类器的分类精度。