基于核方法與累積量隨機學習的模式分類研究.pdf

1、模式分類是模式識別的一項重要內容，在許多領域已經得到成功的應用。本文主要從兩個方面對模式分類進行了探討和研究。 一方面，針對近年來模式分類領域廣泛關注的核方法，本文從以下幾點進行了研究。 (1)眾所周知，核方法的性能受核參數的影響很大。核參數調節(jié)問題是核方法研究的重點和難點?；谌缦滤枷耄鹤顑?yōu)核參數應導致訓練數據所對應的映射數據的空間結構滿足相應線性算法的要求，提出一種核參數優(yōu)化思路。 如何描述映射數據的空間結構

2、以及如何估計數據的空間結構與相應線性算法所要求的空間結構的逼近程度是新思路是否可行的關鍵。基于數據集的空間結構完全可由該數據集所張成的子空間的一組標準正交基來捕獲的思想，提出一種描述映射數據空間結構的方法，回避了映射數據不可顯式表示的難題。同時，基于最大熵原則的非高斯性測度，構造了一個估計數據分布逼近超球形區(qū)域程度的判別準則，用以指導支撐向量域描述算法的核參數優(yōu)化問題。 (2)在大訓練集情況下，一般核方法面臨計算代價大、特征提取

3、速度慢的問題。為克服這些困難，基于最佳投影方向可由訓練樣本對應的映射數據所張成的子空間的一組基來線性表示的思想，提出一種簡化方法。該方法具有通用性，適合眾多核方法的簡化問題。同時，為了快速尋找映射數據所張成的子空間的一組基，基于線性相關理論，設計了一種優(yōu)化方法。 利用該簡化方法，本文分別提出了核Fisher判別分析和核主分量分析的簡化算法，計算復雜度由原來的O(n3)降低至O(r3)(其中n表示訓練樣本數目，γ表示基的個數)，同

4、時，特征提取速度也有明顯提高。 (3)如何抽取數據的有效鑒別特征是模式分類的關鍵。基于核化原理，提出一種非線性鑒別特征提取方法：核最優(yōu)變換與聚類中心算法。該算法可提取穩(wěn)健的非線性鑒別特征，解決復雜分布數據的模式分類問題。 另一方面，針對模式分類的一個重要應用領域：基于高分辨距離像的雷達目標識別，本文做了以下幾點工作。 (1)針對雷達目標識別中，參數化密度估計方法存在的“模型失配”問題，基于高分辨距離像的統計特性分

5、析，提出一種非參數化密度估計方法一累積量隨機學習方法，估計距離像的概率密度。基于外場實測數據的實驗證明了該方法的有效性。 (2)首次嘗試將參數化方法與非參數化方法相結合，估計距離像的概率密度。基于“Gamma-SLC”混合密度估計方法的雷達目標識別實驗表明：該方法融合了參數化方法與非參數化方法的優(yōu)點，同時也回避了二者存在的缺陷，識別率較單一方法有明顯提高。 (3)借鑒最大熵原則的非高斯性測度，提出一個評價密度估計方法的準