论文部分内容阅读
在模式识别系统中,分类器是一个重要的组成部分,分类器设计的好坏将直接影响模式识别系统最终的识别效果。线性分类器因其简单、易实现且容易推广为非线性分类器的优点而成为模式分类最常用的分类器,并产生了感知器(Perceptron)、Ho-Kashyap(H-K)和最小均方(LeastMeanSquare-LMS)算法等经典算法。本文主要开展了以下工作:利用模糊集中的方法提出了正则化的模糊H-K分类算法(FMHKA);利用核方法提出了核α-LMS算法;基于核α-LMS算法构造了多类分类器,并应用于指纹分类。分别介绍如下:1、针对正则化的H-K分类算法(MHKA)的误差准则函数,通过引入模糊隶属函数提出了FMHKA。为体现分类面附近“模糊性”较大的点对分类面的影响程度,本文利用模糊隶属函数把描述样本点模糊性的客观度量转换为主观的“类别隶属度”,然后用于分类。实验表明,FMHKA较好地体现出了分类面附近的点对分类面的影响,提高了分类的正确率。2、利用核技巧将线性α-LMS算法推广为非线性的核α-LMS算法。虽然α-LMS算法在样本集线性可分或不可分情况下都能够收敛于最小均方误差意义下的解向量,但α-LMS算法所得到的分类面是线性的,因而对线性不可分问题的分类错误率较高。另外,经典的核感知器算法也只能解决高维空间中的线性可分问题,对线性不可分问题仍无法收敛,为提高α-LMS算法的分类能力和克服核感知器算法的局限性,本文利用核方法构造了核α-LMS算法。实验结果表明,核α-LMS算法在分类性能上明显优于核感知器算法和α-LMS算法。3、指纹识别是如今生物特征识别的研究热点,鉴于指纹特征线性不可分的特点和核α-LMS算法对线性不可分问题良好的分类能力,本文基于核α-LMS算法构造了多类分类器并应用于指纹分类,实验表明,所构建的分类器达到了较好的分类效果。