基于高維空間目標類幾何覆蓋模型的一類分類器研究.pdf

1、傳統(tǒng)基于劃分分類的模式識別方法一般需要多個類別的訓練樣本，用來設計兩類和多類分類器，然而在許多實際應用中存在一類分類問題。由于僅有一類樣本可資利用，一類分類器設計必須通過對目標類樣本的學習，形成目標類的合理覆蓋模型進行識別。到目前為止，一類分類器研究已經比較深入，但對于高維空間非規(guī)則復雜分布的一類分類問題仍然難以取得較好的效果。本文在研究國內外最新研究成果基礎上，針對高維空間目標類合理覆蓋模型構造展開研究。
　　首先，為了提高模型

2、對數據的描述能力，研究了高維空間一類數據稀疏距離測度學習算法。學習的距離測度能容易的嵌入一類分類器中，有效改善一類分類器的描述性能，增強其推廣能力。
　　其次，研究了基于高維空間稀疏最小生成樹覆蓋模型的一類分類算法。該算法首先構建目標類的稀疏k近鄰圖表示，通過遞歸圖分割算法發(fā)現數據分布的微聚類，再以微聚類中心為圖節(jié)點構建目標類最小生成樹覆蓋模型。實驗結果證實了該方法的有效性。
　　再次，針對最小生成樹數據描述方法分支多，局部

3、覆蓋不夠合理的問題，研究了基于高維空間典型樣本 Steiner最小樹覆蓋模型的一類分類算法。該算法首先對目標類訓練集進行樣本修剪，然后對保留的典型樣本構建Steiner最小樹覆蓋模型。實驗結果證實該方法表現出良好的性能。
　　最后，為了構建目標類緊致覆蓋模型，研究了基于目標類訓練樣本凸殼數據描述的一類分類算法。該模型無須參數設置，可實現對樣本非規(guī)則復雜分布的自適應覆蓋，并可通過核函數方法獲得較強的非線性分類能力。實驗結果證實了該方