局部核分類器及其在脈象分類中的應(yīng)用.pdf

1、局部學(xué)習(xí)方法理論上具有較小的泛化誤差，近年來(lái)在機(jī)器學(xué)習(xí)領(lǐng)域受到了一定關(guān)注。與全局學(xué)習(xí)方法相比，局部學(xué)習(xí)方法更加注重樣本的局部分布，并且通過(guò)合理的選擇局部參數(shù)達(dá)到比較好的分類效果。本文重點(diǎn)研究一種最新的支持向量機(jī)方法，即局部核分類器（FaLK-SVM）方法。它是一種有效的局部核學(xué)習(xí)方法。在訓(xùn)練階段，它采用覆蓋樹(shù)算法尋找k’-近鄰，用貪心算法進(jìn)行中心集合覆蓋，并進(jìn)而訓(xùn)練以這些中心k-近鄰為局部問(wèn)題的模型；在預(yù)測(cè)階段，對(duì)于給定的一個(gè)未知樣本點(diǎn)

2、，用覆蓋樹(shù)檢索它的最近鄰，并用最近鄰的局部模型來(lái)預(yù)測(cè)未知樣本的類別。然而，如何選擇適當(dāng)?shù)囊粋€(gè)局部分類器仍然比較困難，并且因?yàn)椴捎秘澬乃惴ㄟM(jìn)行k’-近鄰中心集合覆蓋，因此，離未知樣本點(diǎn)最近的那個(gè)訓(xùn)練樣本點(diǎn)有可能在多個(gè)的局部模型內(nèi)。為此，我們基于局部核分類器方法，提出了使用多個(gè)局部模型聯(lián)合預(yù)測(cè)某一未知樣本點(diǎn)的自適應(yīng)加權(quán)融合方法（FaLK-SVMa），該方法用該訓(xùn)練樣本點(diǎn)所在的所有的局部模型聯(lián)合預(yù)測(cè)未知樣本點(diǎn)，使得該分類方法更加穩(wěn)定。另外我們

3、還提出了兩種權(quán)重計(jì)算策略，使得離未知樣本點(diǎn)最近的訓(xùn)練樣本點(diǎn)所在的每個(gè)局部模型對(duì)最終的預(yù)測(cè)結(jié)果都有一個(gè)貢獻(xiàn)分量。這些都使得預(yù)測(cè)結(jié)果更加合理，而且更加穩(wěn)定。
　　我們把改進(jìn)后的局部核分類器方法，即自適應(yīng)加權(quán)融合方法應(yīng)用在兩類問(wèn)題和多類問(wèn)題的UCI數(shù)據(jù)集上，其中，兩類問(wèn)題包括14個(gè)較小數(shù)據(jù)集和3個(gè)大的數(shù)據(jù)集；多類問(wèn)題包括3個(gè)多類數(shù)據(jù)集。從實(shí)驗(yàn)結(jié)果可以看出，這種加權(quán)融合方法整體上不僅性能上預(yù)測(cè)精度較局部核分類器方法更高，而且訓(xùn)練階段的時(shí)間

4、復(fù)雜度還沒(méi)有任何的增長(zhǎng)。因此，可以看到我們提出的這種融合方法的優(yōu)勢(shì)所在。
　　我們進(jìn)一步將上述我們提出的自適應(yīng)加權(quán)融合方法應(yīng)用到脈象分類研究中，研究了基于局部核分類器的中醫(yī)脈形分類問(wèn)題。我們對(duì)從二一一醫(yī)院采集的脈象樣本進(jìn)行預(yù)處理和提取單周期脈形特征，然后我們把這種自適應(yīng)加權(quán)融合方法應(yīng)用在整理后的中醫(yī)脈形數(shù)據(jù)的兩類脈象分類問(wèn)題和多類脈象分類問(wèn)題上，做了大量實(shí)驗(yàn)對(duì)比了幾種方法，并深入的分析了相關(guān)的局部參數(shù)對(duì)這幾種分類方法產(chǎn)生的影響。實(shí)