基于核方法與累積量隨機(jī)學(xué)習(xí)的模式分類研究.pdf

1、模式分類是模式識(shí)別的一項(xiàng)重要內(nèi)容，在許多領(lǐng)域已經(jīng)得到成功的應(yīng)用。本文主要從兩個(gè)方面對(duì)模式分類進(jìn)行了探討和研究。 一方面，針對(duì)近年來模式分類領(lǐng)域廣泛關(guān)注的核方法，本文從以下幾點(diǎn)進(jìn)行了研究。 (1)眾所周知，核方法的性能受核參數(shù)的影響很大。核參數(shù)調(diào)節(jié)問題是核方法研究的重點(diǎn)和難點(diǎn)?；谌缦滤枷耄鹤顑?yōu)核參數(shù)應(yīng)導(dǎo)致訓(xùn)練數(shù)據(jù)所對(duì)應(yīng)的映射數(shù)據(jù)的空間結(jié)構(gòu)滿足相應(yīng)線性算法的要求，提出一種核參數(shù)優(yōu)化思路。 如何描述映射數(shù)據(jù)的空間結(jié)構(gòu)

2、以及如何估計(jì)數(shù)據(jù)的空間結(jié)構(gòu)與相應(yīng)線性算法所要求的空間結(jié)構(gòu)的逼近程度是新思路是否可行的關(guān)鍵?；跀?shù)據(jù)集的空間結(jié)構(gòu)完全可由該數(shù)據(jù)集所張成的子空間的一組標(biāo)準(zhǔn)正交基來捕獲的思想，提出一種描述映射數(shù)據(jù)空間結(jié)構(gòu)的方法，回避了映射數(shù)據(jù)不可顯式表示的難題。同時(shí)，基于最大熵原則的非高斯性測(cè)度，構(gòu)造了一個(gè)估計(jì)數(shù)據(jù)分布逼近超球形區(qū)域程度的判別準(zhǔn)則，用以指導(dǎo)支撐向量域描述算法的核參數(shù)優(yōu)化問題。 (2)在大訓(xùn)練集情況下，一般核方法面臨計(jì)算代價(jià)大、特征提取

3、速度慢的問題。為克服這些困難，基于最佳投影方向可由訓(xùn)練樣本對(duì)應(yīng)的映射數(shù)據(jù)所張成的子空間的一組基來線性表示的思想，提出一種簡(jiǎn)化方法。該方法具有通用性，適合眾多核方法的簡(jiǎn)化問題。同時(shí)，為了快速尋找映射數(shù)據(jù)所張成的子空間的一組基，基于線性相關(guān)理論，設(shè)計(jì)了一種優(yōu)化方法。 利用該簡(jiǎn)化方法，本文分別提出了核Fisher判別分析和核主分量分析的簡(jiǎn)化算法，計(jì)算復(fù)雜度由原來的O(n3)降低至O(r3)(其中n表示訓(xùn)練樣本數(shù)目，γ表示基的個(gè)數(shù))，同

4、時(shí)，特征提取速度也有明顯提高。 (3)如何抽取數(shù)據(jù)的有效鑒別特征是模式分類的關(guān)鍵?；诤嘶?，提出一種非線性鑒別特征提取方法：核最優(yōu)變換與聚類中心算法。該算法可提取穩(wěn)健的非線性鑒別特征，解決復(fù)雜分布數(shù)據(jù)的模式分類問題。 另一方面，針對(duì)模式分類的一個(gè)重要應(yīng)用領(lǐng)域：基于高分辨距離像的雷達(dá)目標(biāo)識(shí)別，本文做了以下幾點(diǎn)工作。 (1)針對(duì)雷達(dá)目標(biāo)識(shí)別中，參數(shù)化密度估計(jì)方法存在的“模型失配”問題，基于高分辨距離像的統(tǒng)計(jì)特性分

5、析，提出一種非參數(shù)化密度估計(jì)方法一累積量隨機(jī)學(xué)習(xí)方法，估計(jì)距離像的概率密度?；谕鈭?chǎng)實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)證明了該方法的有效性。 (2)首次嘗試將參數(shù)化方法與非參數(shù)化方法相結(jié)合，估計(jì)距離像的概率密度?；凇癎amma-SLC”混合密度估計(jì)方法的雷達(dá)目標(biāo)識(shí)別實(shí)驗(yàn)表明：該方法融合了參數(shù)化方法與非參數(shù)化方法的優(yōu)點(diǎn)，同時(shí)也回避了二者存在的缺陷，識(shí)別率較單一方法有明顯提高。 (3)借鑒最大熵原則的非高斯性測(cè)度，提出一個(gè)評(píng)價(jià)密度估計(jì)方法的準(zhǔn)