改进的H-K算法和α-LMS算法及其应用研究

论文摘要

在模式识别系统中,分类器是一个重要的组成部分,分类器设计的好坏将直接影响模式识别系统最终的识别效果。线性分类器因其简单、易实现且容易推广为非线性分类器的优点而成为模式分类最常用的分类器,并产生了感知器（Perceptron）、Ho-Kashyap（H-K）和最小均方（LeastMeanSquare-LMS）算法等经典算法。本文主要开展了以下工作:利用模糊集中的方法提出了正则化的模糊H-K分类算法（FMHKA）;利用核方法提出了核α-LMS算法;基于核α-LMS算法构造了多类分类器,并应用于指纹分类。分别介绍如下:1、针对正则化的H-K分类算法（MHKA）的误差准则函数,通过引入模糊隶属函数提出了FMHKA。为体现分类面附近“模糊性”较大的点对分类面的影响程度,本文利用模糊隶属函数把描述样本点模糊性的客观度量转换为主观的“类别隶属度”,然后用于分类。实验表明,FMHKA较好地体现出了分类面附近的点对分类面的影响,提高了分类的正确率。2、利用核技巧将线性α-LMS算法推广为非线性的核α-LMS算法。虽然α-LMS算法在样本集线性可分或不可分情况下都能够收敛于最小均方误差意义下的解向量,但α-LMS算法所得到的分类面是线性的,因而对线性不可分问题的分类错误率较高。另外,经典的核感知器算法也只能解决高维空间中的线性可分问题,对线性不可分问题仍无法收敛,为提高α-LMS算法的分类能力和克服核感知器算法的局限性,本文利用核方法构造了核α-LMS算法。实验结果表明,核α-LMS算法在分类性能上明显优于核感知器算法和α-LMS算法。3、指纹识别是如今生物特征识别的研究热点,鉴于指纹特征线性不可分的特点和核α-LMS算法对线性不可分问题良好的分类能力,本文基于核α-LMS算法构造了多类分类器并应用于指纹分类,实验表明,所构建的分类器达到了较好的分类效果。

论文目录

• 第一章 绪论
• 1.1 模式及模式识别
• 1.2 分类器的设计
• 1.3 线性判别函数与线性分类器
• 1.4 本文的主要工作
• 1.5 本文各章内容安排
• 第二章 正则化的模糊 Ho-Kashyap 分类器
• 2.1 Ho-Kashyap 分类器
• 2.1.1 Ho-Kashyap 算法
• 2.1.2 算法讨论
• 2.2 正则化的 Ho-Kashyap 分类器
• 2.2.1 分类器的推广能力
• 2.2.2 正则化的 Ho-Kashyap 分类器
• 2.3 正则化的模糊 Ho-Kashyap 分类器
• 2.3.1 正则化的模糊 Ho-Kashyap 分类器
• 2.3.2 算法讨论
• 2.3.3 实验结果及讨论
• 2.3.4 本章小结
• 第三章 基于核的非线性α-LMS 分类器
• 3.1 核方法简介
• 3.1.1 基于核的学习
• 3.1.2 核方法的实质
• 3.1.3 典型的基于核的学习算法
• 3.2 LMS 算法及α-LMS 算法
• 3.2.1 LMS 算法及α-LMS 算法
• 3.2.2 算法讨论
• 3.3 基于核的非线性α-LMS 算法
• 3.3.1 引言
• 3.3.2 问题提出
• 3.3.3 核α-LMS 算法
• 3.3.4 算法分析及收敛性讨论
• 3.3.5 实验结果和讨论
• 3.3.5 本章小结
• 第四章 核α-LMS 算法在指纹识别中的应用
• 4.1 指纹识别技术
• 4.1.1 概述
• 4.1.2 指纹图像的预处理
• 4.1.3 指纹的特征提取及特征表达
• 4.2 基于核α-LMS 算法的多类分类器
• 4.2.1 利用两类分类器构造多类分类器的方法
• 4.2.2 基于核α-LMS 算法的多类分类器在指纹分类中的应用
• 4.2.3 实验结果及讨论
• 第五章 总结及后继工作
• 5.1 总结
• 5.2 后继工作
• 致谢
• 硕士研究生期间参与的科研项目及发表的论文
• 参考文献