基于特征評價的模式識別算法研究.pdf

1、歐氏距離是模式識別算法中最常采用的相似性計算量度。在計算數(shù)據(jù)間相似度時，歐氏距離為所有特征賦予相同的重要性，但是這與實際情況不符。尤其當(dāng)特征維數(shù)較高時，大量不相關(guān)特征會影響歐氏距離計算的準(zhǔn)確性，從而影響模式識別算法的性能，產(chǎn)生維數(shù)災(zāi)問題。通常維數(shù)災(zāi)問題通過特征選取算法解決。但是特征選取算法僅適用于解決特征與類存在較高相關(guān)性或者完全不相關(guān)的情形。本文通過特征評價解決特征與類存在不同相關(guān)度的維數(shù)災(zāi)問題。
　　針對模糊C均值算法的維數(shù)災(zāi)

2、，提出了基于函數(shù)CFuzziness的特征權(quán)重的學(xué)習(xí)算法。特征權(quán)重學(xué)習(xí)算法為每個特征賦予一個權(quán)重，區(qū)分其對聚類的貢獻(xiàn)。合理的權(quán)重值使得相似的數(shù)據(jù)彼此更靠近，不相似的數(shù)據(jù)相互遠(yuǎn)離，此時的聚類結(jié)果好。通過梯度下降算法極小化函數(shù)CFuzziness就可以為每個特征賦予一個合適的權(quán)重值。權(quán)重應(yīng)用于模糊C均值算法，得到加權(quán)模糊C均值算法。加權(quán)模糊C均值算法強調(diào)重要特征的作用，消減冗余特征的作用，從而得到較好的聚類結(jié)果。實驗表明，加權(quán)模糊C均值算法

3、的聚類結(jié)果優(yōu)于模糊C均值算法的聚類結(jié)果。
　　針對最近鄰分類器的維數(shù)災(zāi)，提出了兩種特征子集劃分算法，并構(gòu)造相應(yīng)的多分類器融合系統(tǒng)。首先，特征集合被劃分成若干特征子集；然后，每個特征子集由一個子分類器分類識別；最終，多個子分類器的分類結(jié)果融合輸出。特征子集所包含的維數(shù)降低，子分類器的維數(shù)災(zāi)減輕。選用合理的特征子集劃分算法保證子分類器的正確性和多樣性，融合多個子分類器的分類結(jié)果就能夠得到更好的分類性能。
　　本文構(gòu)造了基于遺傳算

4、法的特征子集劃分算法和基于互信息的特征子集劃分算法。遺傳算法根據(jù)多分類器的融合正確率，采用全局搜索機制尋找最優(yōu)的特征子集劃分，屬于Wrapper類的特征子集劃分算法，該算法能夠為子分類器選取最適合的特征子集?；バ畔⒏鶕?jù)特征與類的相關(guān)性，通過前向貪心搜索機制為子分類器選取相應(yīng)的特征子集，屬于Filter類的特征子集劃分算法，該算法具有時間復(fù)雜度小的優(yōu)點。
　　本文提出了一種模糊最近鄰分類器，并采用它為子分類器。最近鄰分類器僅能夠給出

5、數(shù)據(jù)所屬的類別信息；而模糊最近鄰分類器能夠給出數(shù)據(jù)在每一類中的隸屬度，更有效的反映輸出結(jié)果。
　　多個子分類器的決策通過模糊積分融合得到最終分類結(jié)果。模糊積分是基于模糊測度的融合算法。模糊測度用于度量子分類器的重要性，重要性根據(jù)訓(xùn)練數(shù)據(jù)學(xué)習(xí)得到。與其他融合算法相比，模糊積分不僅考慮了子分類器的實際輸出，而且考慮了子分類器的重要性，融合效果好。實驗表明，基于遺傳算法和基于互信息劃分特征子集的兩種模糊最近鄰融合算法的分類性能均優(yōu)于最近

6、鄰分類器的分類性能。
　　本文將上述3種算法應(yīng)用于識別Corel圖像庫。Corel圖像庫中每幅圖片分別通過顏色直方圖，顏色一致向量，PWT和Hu矩提取得到4個特征文件，作為圖像識別實驗系統(tǒng)的輸入數(shù)據(jù)。加權(quán)模糊C均值算法圖像聚類的結(jié)果優(yōu)于模糊C均值算法。圖像分類采用基于遺傳算法劃分特征子集的模糊最近鄰融合算法和基于互信息劃分特征子集的模糊最近鄰融合算法。兩種融合算法分類圖像的結(jié)果明顯優(yōu)于最近鄰分類器。由于兩種特征子集劃分算法采用了不