局部核分類器及其在脈象分類中的應用.pdf

1、局部學習方法理論上具有較小的泛化誤差，近年來在機器學習領域受到了一定關注。與全局學習方法相比，局部學習方法更加注重樣本的局部分布，并且通過合理的選擇局部參數(shù)達到比較好的分類效果。本文重點研究一種最新的支持向量機方法，即局部核分類器（FaLK-SVM）方法。它是一種有效的局部核學習方法。在訓練階段，它采用覆蓋樹算法尋找k’-近鄰，用貪心算法進行中心集合覆蓋，并進而訓練以這些中心k-近鄰為局部問題的模型；在預測階段，對于給定的一個未知樣本點

2、，用覆蓋樹檢索它的最近鄰，并用最近鄰的局部模型來預測未知樣本的類別。然而，如何選擇適當?shù)囊粋€局部分類器仍然比較困難，并且因為采用貪心算法進行k’-近鄰中心集合覆蓋，因此，離未知樣本點最近的那個訓練樣本點有可能在多個的局部模型內。為此，我們基于局部核分類器方法，提出了使用多個局部模型聯(lián)合預測某一未知樣本點的自適應加權融合方法（FaLK-SVMa），該方法用該訓練樣本點所在的所有的局部模型聯(lián)合預測未知樣本點，使得該分類方法更加穩(wěn)定。另外我們

3、還提出了兩種權重計算策略，使得離未知樣本點最近的訓練樣本點所在的每個局部模型對最終的預測結果都有一個貢獻分量。這些都使得預測結果更加合理，而且更加穩(wěn)定。
　　我們把改進后的局部核分類器方法，即自適應加權融合方法應用在兩類問題和多類問題的UCI數(shù)據(jù)集上，其中，兩類問題包括14個較小數(shù)據(jù)集和3個大的數(shù)據(jù)集；多類問題包括3個多類數(shù)據(jù)集。從實驗結果可以看出，這種加權融合方法整體上不僅性能上預測精度較局部核分類器方法更高，而且訓練階段的時間

4、復雜度還沒有任何的增長。因此，可以看到我們提出的這種融合方法的優(yōu)勢所在。
　　我們進一步將上述我們提出的自適應加權融合方法應用到脈象分類研究中，研究了基于局部核分類器的中醫(yī)脈形分類問題。我們對從二一一醫(yī)院采集的脈象樣本進行預處理和提取單周期脈形特征，然后我們把這種自適應加權融合方法應用在整理后的中醫(yī)脈形數(shù)據(jù)的兩類脈象分類問題和多類脈象分類問題上，做了大量實驗對比了幾種方法，并深入的分析了相關的局部參數(shù)對這幾種分類方法產生的影響。實