基于稀疏表示结合流形距离的超球覆盖可拒绝模式识别算法研究

本文构造了一种基于稀疏表示结合流形距离超球覆盖的可拒绝模式识别模型.由于同类样本可以认为分布在同一个非线性流形上,所以在训练学习过程中首先对各类样本空间构建局部线性流形子空间超球覆盖模型,并选择训练样本.这样对于输入的测试模式,即可根据各类的子空间包含边界做出拒识或者接受处理的判决.然后,针对接受的模式,再利用稀疏表示分类器在训练样本空间范围内进行分类判决.在UCI数据库、MNIST手写体数据库、MIT-CBCL人脸识别数据库和CMU AMP人脸表情数据库上的实验结果表明本文的思路合理可行,在实际应用领域具有一定应用价值.     

区分性投影结合最小L1球覆盖的可拒识双层分类器

经典分类模型总是假定测试样本属于训练类之一,然而在网络安全、身份识别、医学诊断等非合作模式识别中往往存在许多非训练类例外模式,这时由于分类器缺乏拒识能力,只能给出错误判决。为此,本文构造了一种基于区分性投影结合最小L1球覆盖的可拒识双层近邻分类器。该方法针对一类分类器忽略类别间区分性描述的不足,定义一种能够表征各训练类模式细节信息的差分矢量,形成新的差分特征。在差分特征空间进行L1范数最大化主成分分析(L1-norm maximization principal component analysis, PCA-L1)构建新的区分性投影方法即差分矢量PCA-L1特征提取。然后,在投影空间对各类别分别建立最小L1球覆盖决策边界,这样对于输入的测试模式,便可做出拒识或者接受处理的判决。最后,针对接受的输入模式,再通过最近邻测试得到识别结果。在UCI数据库、MNIST手写体数据库和CMU AMP人脸表情数据库上的实验结果表明本文方法对训练类测试样本具有较高正确识别率的同时,同时能够对非训练类测试样本进行有效地拒识,在实际模式识别领域具有一定的应用价值。      

基于高维空间最小生成树自适应覆盖模型的可拒绝分类算法

在高维空间样本较少的情况下,基于统计模型的可拒绝分类方法难以对样本分布的复杂几何形体构建合理的覆盖模型。为此,该文提出基于高维空间最小生成树自适应覆盖模型的可拒绝分类模型。该模型采用最小生成树刻画高维空间样本点分布,将图形的边作为新增虚拟样本以提供更好的同类样本分布描述。通过将同类相近样本划分到一个连通几何覆盖区域内,将不同类的相近样本归于不同几何覆盖区域内,实现对不同训练类的覆盖。为了克服因不合理虚拟样本造成分类器拒识性能的下降,引入自适应调整覆盖半径策略,实现对训练类的紧致性覆盖。对于测试样本,根据训练类覆盖边界便可对其作出拒识或者接受的处理,针对交叉覆盖的接受样本,再根据数据场策略确定其真正归属类别。实验结果表明本文方法合理有效。     

基于SRM自组织多区域覆盖的可拒绝近邻分类算法研究

该文依据区分与划分相结合的可拒绝模式识别思路,提出了高维空间海量训练样本情况下的基于结构风险最小化决策的自组织多区域多球覆盖可拒绝近邻分类算法。该方法利用同类样本之间相互接近的特性,通过结构风险最小化紧几何覆盖策略,选择训练样本,通过自组织多区域多球覆盖模型构成同类样本的划分性描述,达到拒绝识别非训练类样本的目的,最后通过k近邻相互区分性比较确定真实类别。仿真实验结果表明该文的思路是合理可行的,在实际应用领域具有一定价值。