基于高維空間目標(biāo)類(lèi)幾何覆蓋模型的一類(lèi)分類(lèi)器研究.pdf

1、傳統(tǒng)基于劃分分類(lèi)的模式識(shí)別方法一般需要多個(gè)類(lèi)別的訓(xùn)練樣本，用來(lái)設(shè)計(jì)兩類(lèi)和多類(lèi)分類(lèi)器，然而在許多實(shí)際應(yīng)用中存在一類(lèi)分類(lèi)問(wèn)題。由于僅有一類(lèi)樣本可資利用，一類(lèi)分類(lèi)器設(shè)計(jì)必須通過(guò)對(duì)目標(biāo)類(lèi)樣本的學(xué)習(xí)，形成目標(biāo)類(lèi)的合理覆蓋模型進(jìn)行識(shí)別。到目前為止，一類(lèi)分類(lèi)器研究已經(jīng)比較深入，但對(duì)于高維空間非規(guī)則復(fù)雜分布的一類(lèi)分類(lèi)問(wèn)題仍然難以取得較好的效果。本文在研究國(guó)內(nèi)外最新研究成果基礎(chǔ)上，針對(duì)高維空間目標(biāo)類(lèi)合理覆蓋模型構(gòu)造展開(kāi)研究。
　　首先，為了提高模型

2、對(duì)數(shù)據(jù)的描述能力，研究了高維空間一類(lèi)數(shù)據(jù)稀疏距離測(cè)度學(xué)習(xí)算法。學(xué)習(xí)的距離測(cè)度能容易的嵌入一類(lèi)分類(lèi)器中，有效改善一類(lèi)分類(lèi)器的描述性能，增強(qiáng)其推廣能力。
　　其次，研究了基于高維空間稀疏最小生成樹(shù)覆蓋模型的一類(lèi)分類(lèi)算法。該算法首先構(gòu)建目標(biāo)類(lèi)的稀疏k近鄰圖表示，通過(guò)遞歸圖分割算法發(fā)現(xiàn)數(shù)據(jù)分布的微聚類(lèi)，再以微聚類(lèi)中心為圖節(jié)點(diǎn)構(gòu)建目標(biāo)類(lèi)最小生成樹(shù)覆蓋模型。實(shí)驗(yàn)結(jié)果證實(shí)了該方法的有效性。
　　再次，針對(duì)最小生成樹(shù)數(shù)據(jù)描述方法分支多，局部

3、覆蓋不夠合理的問(wèn)題，研究了基于高維空間典型樣本 Steiner最小樹(shù)覆蓋模型的一類(lèi)分類(lèi)算法。該算法首先對(duì)目標(biāo)類(lèi)訓(xùn)練集進(jìn)行樣本修剪，然后對(duì)保留的典型樣本構(gòu)建Steiner最小樹(shù)覆蓋模型。實(shí)驗(yàn)結(jié)果證實(shí)該方法表現(xiàn)出良好的性能。
　　最后，為了構(gòu)建目標(biāo)類(lèi)緊致覆蓋模型，研究了基于目標(biāo)類(lèi)訓(xùn)練樣本凸殼數(shù)據(jù)描述的一類(lèi)分類(lèi)算法。該模型無(wú)須參數(shù)設(shè)置，可實(shí)現(xiàn)對(duì)樣本非規(guī)則復(fù)雜分布的自適應(yīng)覆蓋，并可通過(guò)核函數(shù)方法獲得較強(qiáng)的非線(xiàn)性分類(lèi)能力。實(shí)驗(yàn)結(jié)果證實(shí)了該方