论文摘要
随着模式识别技术中遇到的实际问题的复杂化,单独分类器的性能已经难以满足许多实际应用的要求,分类器组合技术成为提高模式识别系统性能的一种新的重要手段。分类器组合技术研究对于人机交互技术的发展具有重大意义。现代人机交互技术已经发展到多模态人机交互阶段,其中一个重要的课题是多模态识别。而分类器组合是解决多模态识别问题的一项关键技术。本文结合人机交互中的多模态识别问题,对四种分类器组合问题进行研究:（1）模式类别数量较多的分类器组合问题（类别数大于15）;（2）模式类别数量较少的分类器组合问题（类别数在3～15之间）;（3）两类分类器组合问题;（4）基于局部分类精度的分类器组合问题。本文针对以上四类问题的特点提出了一些性能较高的分类器组合方法,主要研究成果如下:1.针对模式类数量较多的分类器组合问题,提出了一类新的排序层分类器融合方法—序号变换法。这类方法将对基本分类器输出的模式类别排序号进行的变换与分类器的加权组合结合起来,从而在融合过程中能够增强小序号值对最终分类的影响。大量实验表明,序号变换法在分类正确率方面超过现有的排序层分类器融合方法0.1～1.0个百分点。2.针对模式类数量较少的分类器组合问题,提出了一种新的度量层分类器融合方法:多决策模板法（MDT,Multiple Decision Templates）。其决策模板产生方法使得每个决策模板能够抑制一种容易发生的分类错误,从而增加少量决策模板就能够有效地提高分类正确率。在ELENA数据集与UCI数据集上的实验结果表明:与投票法、朴素贝叶斯法、线性融合规则及模板匹配法取得的最高分类正确率相比,该方法将分类正确率提高了0.4～0.9个百分点。与k-近邻规则相比,当训练样本较多时,二者的分类正确率相当,而MDT方法的计算量较小;当训练样本较少时,MDT方法能够取得较高的分类正确率。3.针对两类分类器组合问题,提出了一种新的度量层分类器融合方法:基于类边界的分类器融合方法（CBCF,Class Boundary based Classifier Fusion）。该方法利用所研究问题在Meta层特征空间上的特点,直接从训练样本中提取类边界,然后基于边界点定义局部线性融合规则。在Phoneme数据集与Ringnorm数据集上的实验结果表明:与投票法、朴素贝叶斯法、模板匹配法及线性融合规则取得的最高分类正确率相比,CBCF方法将分类正确率提高了0.7～1.5个百分点;与k-近邻规则相比,二者的分类正确率很接近,而CBCF方法的计算量为k-近邻规则计算量的1/50～1/20。4.针对基于局部分类精度的分类器组合问题,提出了一种根据局部分类精度估计分类置信度的方法,从而在解决该类问题时可以采用分类器融合方法代替传统的动态分类器选择方法,提高分类正确率。基于局部分类精度得到分类置信度以后,动态分类器选择等价于度量层分类器融合方法中的Max规则,从而采用性能更好的分类器融合方法能够提高分类正确率。ELENA数据集、UCI数据集与Ringnorm数据集上的大量实验结果表明该方法将分类正确率提高了0.2～13.6个百分点。5.基于新的分类器组合方法设计了多模态身份识别系统与多模态身份认证系统。身份识别属于模式类数量较多的问题,所以在多模态身份识别系统中采用了序号变换法。身份认证可以作为两类问题处理,所以在多模态身份认证系统中采用了CBCF方法。实验表明本文方法显著提高了系统性能,使身份识别系统的正确识别率从94%（基本分类器正确识别率的最大值）提高到99.71%,身份认证系统的半错误率（HTER,Half Total Error Rate）从5.12%（基本分类器半错误率的最小值）下降到0.92%。最后设计了多模态身份识别系统与多模态身份认证系统,为多模态人机交互中的应用打下了坚实的基础。