基于樹結(jié)構(gòu)模型的多類識別算法研究.pdf

1、當(dāng)今很多領(lǐng)域都涉及多類模式的識別問題，多類模式的識別具有廣泛的應(yīng)用性，同時也是一個難點。本文意在提出一種比較通用的多類識別算法。視頻中的運動物體識別是計算機視覺領(lǐng)域一個重要的研究方向，細胞分裂的狀態(tài)(階段)識別在醫(yī)學(xué)生物等領(lǐng)域有著非常重要的意義。從解決這兩個典型的多類識別問題入手，在總結(jié)和分析了國內(nèi)外相關(guān)研究工作的基礎(chǔ)上，本文改進決策樹算法，通過SVM算法和AdaBoost算法學(xué)習(xí)分類器，提出一種基于特征(分類器)選擇策略構(gòu)建樹結(jié)構(gòu)模型

2、的分類方法。 我們在決策樹算法中融入SVM算法和AdaBoost算法，通過這兩種算法學(xué)習(xí)分類器，目的是提高單個分類器的性能。對于運動物體識別，將特征分為兩大類：數(shù)值特征和描述性特征。低維數(shù)值特征通過AdaBoost算法訓(xùn)練分類器，高維描述性特征采用SVM算法訓(xùn)練分類器。對于細胞狀態(tài)識別，提取細胞各個階段特征通過SVM算法訓(xùn)練分類器，分別得到一組分類器集合。 樹結(jié)構(gòu)模型的構(gòu)建在于樹結(jié)點處樣本分割方法的選擇，本文提出通過特征

3、選擇策略構(gòu)建樹結(jié)構(gòu)模型。我們引入先驗知識，在當(dāng)前節(jié)點通過將樣本分布情況和分類器性能綜合考慮測試所有分類器的重要性指標(biāo)，特征選擇策略是基于所有分類器的重要性排序選擇一個最佳的分類器。本文是依次對當(dāng)前節(jié)點通過特征選擇對樣本進行分割來逐步擴展樹結(jié)構(gòu)。樹結(jié)點的分類器都近似看作二類分類器，本文就是用構(gòu)建的樹結(jié)構(gòu)模型通過多層分解的策略將多類分類問題轉(zhuǎn)化為多個二類分類問題。 本文中樹結(jié)構(gòu)模型是基于特征選擇構(gòu)建，與手動設(shè)計的模型相比樹結(jié)構(gòu)模型具