子空間模式識(shí)別方法

提出了一種改進(jìn)的LSM-ALSM子空間模式識(shí)別方法，將LSM的旋轉(zhuǎn)策略引入ALSM，使子空間之間互不關(guān)聯(lián)的情況得到改善，提高了ALSM對(duì)相似樣本的區(qū)分能力。討論中以性能函數(shù)代替經(jīng)驗(yàn)函數(shù)來確定拒識(shí)規(guī)則的參數(shù)，實(shí)現(xiàn)了識(shí)別率、誤識(shí)率與拒識(shí)率之間的最佳平衡；通過對(duì)有限字符集的實(shí)驗(yàn)結(jié)果表明，LSM-ALSM算法有效地改善了分類器的識(shí)別率和可靠性。
關(guān) 鍵 詞 學(xué)習(xí)子空間; 性能函數(shù); 散布矩陣; 最小描述長(zhǎng)度
在子空間模式識(shí)別方法中，一個(gè)線性子空間代表一個(gè)模式類別，該子空間由反映類別本質(zhì)的一組特征矢量張成，分類器根據(jù)輸入樣本在各子空間上的投影長(zhǎng)度將其歸為相應(yīng)的類別。典型的子空間算法有以下三種[1, 2]：CLAFIC(Class-feature Information Compression)算法以相關(guān)矩陣的部分特征向量來構(gòu)造子空間，實(shí)現(xiàn)了特征信息的壓縮，但對(duì)樣本的利用為一次性，不能根據(jù)分類結(jié)果進(jìn)行調(diào)整和學(xué)習(xí)，對(duì)樣本信息的利用不充分；學(xué)習(xí)子空間方法(Leaning Subspace Method, LSM)通過旋轉(zhuǎn)子空間來拉大樣本所屬類別與最近鄰類別的距離，以此提高分類能力，但對(duì)樣本的訓(xùn)練順序敏感，同一樣本訓(xùn)練的順序不同對(duì)子空間構(gòu)造的影響就不同；平均學(xué)習(xí)子空間算法(Averaged Learning Subspace Method, ALSM)是在迭代訓(xùn)練過程中，用錯(cuò)誤分類的樣本去調(diào)整散布矩陣，訓(xùn)練結(jié)果與樣本輸入順序無關(guān)，所有樣本平均參與訓(xùn)練，其不足之處是各模式的子空間之間相互獨(dú)立。針對(duì)以上問題，本文提出一種改進(jìn)的子空間模式識(shí)別方法。
子空間模式識(shí)別的基本原理
1.1 子空間的分類規(guī)則
子空間模式識(shí)別方法的每一類別由一個(gè)子空間表示，子空間分類器的基本分類規(guī)則是按矢量在各子空間上的投影長(zhǎng)度大小，將樣本歸類到最大長(zhǎng)度所對(duì)應(yīng)的類別，在類x()iω的子空間上投影長(zhǎng)度的平方為
()211,2,,()argmax()jMTkkjpg===Σx?? (1)
式中 函數(shù)稱為分類函數(shù)；為子空間基矢量。兩類的分類情況如圖1所示。