多分類器系統(tǒng)中信息融合方法研究.pdf

1、分類問題具有不確定性，盡管由于多分類器融合技術在降低分類系統(tǒng)泛化誤差、簡化分類器設計等方面的優(yōu)良表現(xiàn)，國內(nèi)外對它的研究取得了不少成果，但至今還有許多關鍵理論和技術問題有待解決和完善。再者，由于標記樣例的難以獲取，近幾年來，多分類器融合已經(jīng)由傳統(tǒng)的“有監(jiān)督”多分類器融合，逐步拓展到“無監(jiān)督”多分類器融合(也稱“聚類融合”)、“半監(jiān)督”多分類器融合(有標記的樣例不足)兩個更年輕的高不確定性的領域。因此，近幾年來，國際上越來越多研究者投入到多

2、分類器融合的研究中，使得該領域成為了一個相當活躍的研究熱點。
　　 本文針對多分類器系統(tǒng)中信息融合問題，在全面介紹和分析分類器融合的研究現(xiàn)狀、工作機理的基礎上，提出了多種用于進一步提高分類器融合系統(tǒng)性能、擴大其應用范圍的算法。本文的主要研究成果如下：
　　 針對傳統(tǒng)多分類器設計框架僅適用于有標記資料的缺陷，提出了一種通用的自適應多分類器設計框架。該框架集成了各種資料條件下(最初無標記信息、中期有少量標記信息、后期有足夠標

3、記信息)的多分類器設計方法，具有自適應功能，對于一項應用能根據(jù)資料所處的階段(無監(jiān)督、半監(jiān)督和有監(jiān)督)自動調(diào)整。
　　 針對有監(jiān)督分類器融合方法-模糊積分，對該方法中的重要問題-模糊密度確定問題進行了研究，首次將兩種典型的靜態(tài)確定方法進行了細致的比較研究。在此基礎上，提出了一種動態(tài)自適應模糊積分融合算法，該方法的特點是采用一種新的基于模糊測度的差異性度量方法進行初始的成員分類器選擇，并選擇合理的初始模糊密度，引入修正系數(shù)對模糊密

4、度進行自適應動態(tài)調(diào)整，不僅降低了融合的規(guī)模，而且提高了整體的性能。
　　 針對無監(jiān)督分類器融合算法可能出現(xiàn)的信息失真問題，提出了一種基于信息滾動機制的平均互信息方法，并通過實驗驗證了其有效性；然而，也發(fā)現(xiàn)隨著規(guī)模增大，暴露出易被噪聲聚類成員干擾的缺陷。因此，將問題拓展，提出了一種基于蟻群算法的匹配方法，該方法具有隨著規(guī)模的擴大而優(yōu)勢越來越明顯的優(yōu)點，為未來解決聚類類別不匹配的情況提供了一個方向。在此基礎上，提出了一種新的無監(jiān)督分

5、類器融合算法，該算法兼顧聚類質(zhì)量與成員多樣性，采用一種新的相似性度量，并依據(jù)度量結果先對聚類成員進行剪輯操作，再分組、選擇，最后根據(jù)了每個聚類成員對每類別的貢獻設計了一種新的加權函數(shù)，與其他方法相比，該方法具有較好的穩(wěn)定性與精確性。
　　 針對半監(jiān)督分類器融合算法中的兩類算法(多視圖和單視圖)，提出了兩種基于統(tǒng)計的協(xié)同訓練算法。多視圖方面，提出了一種改進的基于統(tǒng)計方法的多視圖協(xié)同訓練算法，該算法采用多元統(tǒng)計方法KCCA對兩視圖中

6、變量組進行分析，并在KCCA的應用過程中利用類標號信息產(chǎn)生獎勵或懲罰因子，使得抽取的同類樣本特征之間的相關最大化，同時使得不同類樣本特征之間的相關最小化，最后采用二次確認的投票方法進行標注。實驗表明，該方法在有標記樣本占比例較小時，具有較明顯的效果。單視圖方面，提出一種新的單視圖協(xié)同訓練算法，該算法通過最小顯著性差異(LSD)假設檢驗方法使得三個成員分類器兩兩之間具有顯著性差異，然后采用D-S證據(jù)理論提高標注的穩(wěn)定性，再用局部離群點檢測