多分類器系統(tǒng)關(guān)鍵技術(shù)及應(yīng)用研究.pdf

1、隨著高性能計算機的普及，利用計算機協(xié)助人工來處理日常的信息已經(jīng)成為當(dāng)前計算機科學(xué)發(fā)展的重要方向。模式識別作為主要的智能信息處理技術(shù)已經(jīng)越來越廣泛地被應(yīng)用到日常生活中。對于復(fù)雜的模式識別問題，單一的分類方法已經(jīng)無法給出準確的分類結(jié)果。多分類器系統(tǒng)利用一組分類器和一種融合算法，通常能給出比單一成員分類器更好的性能，因此已經(jīng)成為解決復(fù)雜模式識別問題的主要途徑。
　　本文研究了并行結(jié)構(gòu)多分類器系統(tǒng)設(shè)計、分級串行結(jié)構(gòu)多分類器系統(tǒng)設(shè)計以及多分

2、類器系統(tǒng)新應(yīng)用中的關(guān)鍵技術(shù)及應(yīng)用問題。對于并行結(jié)構(gòu)多分類器系統(tǒng)設(shè)計，主要研究了分類器選擇和融合算法；對于分級串行結(jié)構(gòu)多分類器系統(tǒng)設(shè)計，主要研究了在有偽模式出現(xiàn)的識別問題中設(shè)計串行多分類器系統(tǒng)的問題并給出了一個有效的串行系統(tǒng)；對于新應(yīng)用，主要通過一個應(yīng)用來倡導(dǎo)研究多種途徑應(yīng)用多分類器系統(tǒng)。
　　具體包括：
　　1．研究了并行結(jié)構(gòu)多分類器系統(tǒng)設(shè)計中的分類器選擇問題，提出了分類器空間占有差異以及決策邊界曲率差異的分類器幾何特性及其

3、比較方法。并提出了基于分類器幾何特性比較的分類器選擇策略。分類器幾何特性比較直接在訓(xùn)練樣本集上進行，方法的有效性在公開測試數(shù)據(jù)集上進行了驗證。實驗結(jié)果表明，所提出的比較分類器幾何特性的方法可以有效的比較分類器決策區(qū)域形狀的差異。所提出的分類器選擇策略總可以選出一組分類器來構(gòu)建性能優(yōu)于平均性能的多分類器系統(tǒng)，甚至是構(gòu)建性能最佳的多分類器系統(tǒng)。
　　2．研究了并行結(jié)構(gòu)多分類器系統(tǒng)設(shè)計中的分類器融合問題，提出了度量層次輸出空間的概念，并

4、提出了在此空間上的輸出鄰域交割模型ONI(Output Neighborhood Intersection)。該模型將基于度量層次輸出的多分類器融合問題轉(zhuǎn)化為在度量層次輸出空間中尋找最近正確融合點NCCP(Nearest Correct Combination Point)的過程。在ONI模型的基礎(chǔ)上，本文提出了一個可訓(xùn)練的融合分類器度量層次輸出的多分類器融合算法。本文從幾何角度上比較了該算法與常用的加權(quán)平均值算法的差異，并用公開測試數(shù)

5、據(jù)庫驗證了該算法的有效性。實驗結(jié)果表明，所提出的基于ONI模型的多分類器融合算法性能最好，它和加權(quán)平均法一樣健壯。
　　3．研究了在有偽模式出現(xiàn)的識別問題中的串行多分類器系統(tǒng)設(shè)計，提出了一個設(shè)計框架，并基于此框架提出了基于多層感知機(MLP)和正交高斯混合模型(OGMM)的可靠識別技術(shù)。該技術(shù)可以被應(yīng)用到存在與正常樣本差異較大的偽模式的識別問題中。通過 MLP進行快速、準確的識別，利用OGMM來拒絕差異較大的偽模式。該技術(shù)的有效性

6、在從真實金融票據(jù)中收集到的印刷體數(shù)字、印刷體漢字、手寫體漢字以及模擬的印刷體英文字母和印刷體符號測試集上進行了測試。實驗結(jié)果表明，MLP-OGMM技術(shù)可以有效地拒絕諸如漢字及大部分英文字母、符號等偽模式，提高了金融票據(jù)印刷體數(shù)字識別的可靠性。
　　4．研究了多種途徑應(yīng)用多分類器系統(tǒng)，提出了間接應(yīng)用多分類器系統(tǒng)改善性能的思想。給出了應(yīng)用多分類器系統(tǒng)參與訓(xùn)練 MLP的新應(yīng)用。該方法利用多分類器系統(tǒng)對于測試樣本集樣本的融合識別結(jié)果作為該

7、樣本的類別隸屬度，并用這樣的樣本集來訓(xùn)練 MLP。進一步提出了利用多分類器訓(xùn)練一組 MLP來構(gòu)成多 MLP團體。該方法利用每一個分類器對于訓(xùn)練樣本的識別結(jié)果作為該樣本的類別隸屬度，從而產(chǎn)生了多個具有不同類別隸屬度的樣本集。分別用這些樣本集訓(xùn)練出多個 MLP，并從這些 MLP中選擇一些來組建多 MLP團體。實驗結(jié)果表明，經(jīng)過這樣訓(xùn)練后，MLP的輸出可以作為一種有效的可信度度量值，基于特定的閾值后，這樣的MLP可以成功的拒識大部分易混的樣本